Reinforcement Learning
wv.rl-en.v, 42 Lektionen in HS2026
Nächste Lektionen
Und 9 weitere. Alle im Stundenplan
Modulbeschreibung 23HS
Wir diskutieren das Konzept und die Algorithmen des Reinforcement Learning, ihre Entwicklung und Anwendung in realen Bereichen. Der Kurs umfasst grundlegende Methoden und neuartige Ansätze, die auf Deep Learning basieren, sowie praktische Arbeiten zur Implementierung einer kompletten RL-Lösung von Anfang bis Ende.
- ECTS
- 4
- Institut
- T CAI
- Verantwortung
- Ricardo, Chavarriaga
- Sprache
- Deutsch () English (X)
Modulinhalte
Verstärkungslernen (Reinforcement Learning, RL) ist ein leistungsfähiges Paradigma für die Implementierung von Systemen zur Entscheidungsfindung und künstlichen Intelligenz (AI). Weithin bekannt als Grundlage des Systems, das bei Brettspielen wie Go übermenschliche Leistungen erzielt hat, war dieser Ansatz grundlegend für die jüngsten Durchbrüche bei Anwendungen wie autonomen Fahrzeugen, Roboterarmen, Verbrauchermodellierung, Algorithmus- oder Proteindesign, Technik und Gesundheitswesen. Die Hauptstärke des verstärkenden Lernens besteht darin, KI-Systeme mit adaptiven Lernfähigkeiten auszustatten. RL-Methoden erreichen dies durch Lernen durch Versuch-und-Irrtum-Interaktion. In diesem Kurs werden wir die grundlegenden RL-Konzepte abdecken, die wichtigsten Arten von Methoden für die Implementierung einer vollständigen Lösung von Anfang bis Ende diskutieren und neuartige Ansätze wie die, die auf neuronalen Netzen mit tiefem Lernen basieren, einbeziehen. Der Inhalt umfasst: - Überblick und Einführung in das Reinforcement Learning - Sequentielle Entscheidungsfindung, Wertfunktionen; Kompromiss zwischen Exploration und Ausbeutung - Stichprobenbasierte Lernmethoden: Lernen aus zeitlichen Unterschieden (z.B. Q-Learning) - Policy-Gradient-Methoden (z. B. actor-critic) - Modellbasiertes und inverses RL - Deep Reinforcement Learning (z. B. DQN; TRPO) Die Übungen beinhalten Beispiele für den Einsatz modernster Softwaretools und Frameworks zur Implementierung von RL-Methoden. Dazu gehört auch eine Projektaufgabe, bei der die Studierenden ein RL-System entwickeln und optimieren und dessen Leistung bei einem Problem auf der Grundlage einer realen Anwendung bewerten. Die Projekte der Studierenden werden am Ende des Semesters im Unterricht präsentiert und fließen zusammen mit der schriftlichen Abschlussprüfung in die Bewertung ein.
Voraussetzungen
Erfolgreicher Abschluss von MLDM, Abschluss von oder gleichzeitige Einschreibung in MLDM2 (Advanced ML) oder vergleichbare Erfahrung in grundlegendem Deep Learning
Versionen
- 23HSt.BA.WV.RL-EN.23HS