Termin: | ||
Montag | 10:15h - 11:45h | OH 14 / Raum 202 |
Beginn: | Montag, 11. Oktober 2021 |
Vorlesung: | OH 14, Raum 202, montags 10:15-11:45h. |
Übung: | OH 14, Raum 202, montags 12:15-13:45h. |
Unter Reinforcement Learning werden Methoden des maschinellen Lernens zusammengefasst, bei denen ein Agent eine Strategie erlernen soll, wie er in einer vorgegebenen Umwelt die für seine Aktionen erhaltenen Belohnungen maximieren kann. Es gibt keinen Lehrer, der dem Agenten die optimale Aktion für bestimmte Situationen vorzeigt; der Agent erhält als Information nur eine (positive oder negative) Belohnung, die die Nützlichkeit der gewählten Aktion bewertet.
Durch die zunehmende Verfügbarkeit von hoher Rechenleistung und den Fortschritten bei tiefen neuronalen Netzen haben die Methoden des Deep Reinforcement Learning in jüngerer Zeit großen Zuspruch gefunden. Die Anwendungsmöglichkeiten sind vielfältig.
Wir werden zunächst die Grundlagen aus den Büchern von Putermann sowie Sutton/Barto besprechen, um uns dann mit einigen Kapiteln aus dem Buch von Dong et al. zu beschäftigen, wo (tiefe) neuronale Netze Bestandteile der klassischen Verfahren ersetzen bzw. erweitern.
Basis-Literatur:
Forschungsgebiet (MPO 2008):