====== Projektgruppe 649 (Sommersemester 2021) ======

===  Entwicklung eines 3D RPG Videospiels mittels prozeduraler Inhaltsgenerieung und Deep Reinforcement Learning  === 

  * Veranstalter:  [[https://ls11-www.cs.tu-dortmund.de/people/rudolph/|Prof. Dr. Günter Rudolph]] [[https://ls11-www.cs.tu-dortmund.de/staff/pleines|M.Sc. Marco Pleines]] [[https://www.cs.tu-dortmund.de/nps/de/Home/Personen/F/Fischoeder__Nicolas.html|M.A. Nicolas Fischöder]]

=== PG Richtlinien und Modulhandbuch ===

[[https://www.cs.tu-dortmund.de/nps/de/Studium/Ordnungen_Handbuecher_Beschluesse/Modulhandbuecher/Master_Inf/Pflichtveranstaltungen/INF-MSc-101.pdf|Modulhandbuch]]

[[https://www.cs.tu-dortmund.de/nps/de/Studium/besondere_Lehrveranstaltungen/Projektgruppen/Rechtliches/PGRichtlinien/PGR_2012__2012_10_24.pdf|PG Richtlinien]]


=== Seminartermine ===

Veranstaltungsort: Otto-Hahn-Straße 14, Raum 204 (Pool des Lehrstuhl 11).

^ Thema ^  Datum  ^  Uhrzeit  ^  Plattform  ^
| Constructive Generation Methods |  07.04.2022 | 14:00 Uhr | Zoom |
| Creature Generation Methods |  14.04.2022 | 14:00 Uhr | Präsenz |
| Proximal Policy Optimization |  21.04.2022| 14:00 Uhr | Präsenz |
| Soft Actor-Critic |  28.04.2022 | 14:00 Uhr | Zoom |


=== Folien ===

^  Nr.  ^  Thema  ^  Download  ^  
| 1 | Kick-Off Meeting | {{ :teaching:pg649-kick-off.pdf |PG694-Kick-Off.pdf}} | 


=== Praktikum ===

Veranstaltungsort: Otto-Hahn-Straße 14, Raum 204 (Pool des Lehrstuhl 11).


^ Thema ^  Datum  ^  Uhrzeit  ^  Ort ^
| PCG |  08.04.2022 | 10:00 Uhr | Discord |
| PCG |  14.04.2022| 16:00 Uhr | Präsenz |
| DRL |  22.04.2022 | 10:00 Uhr | Zoom |
| DRL |  29.04.2022 | 10:00 Uhr | Präsenz |

=== Jour Fixe ===

Veranstaltungsort: Otto-Hahn-Straße 14, Raum 204 (Pool des Lehrstuhl 11).


^  Datum  ^  Uhrzeit  ^  Ort ^
|  05.05.2022 | 14:00 Uhr | Präsenz |
|  12.05.2022 | 14:00 Uhr | Discord |
|  19.05.2022 | 14:00 Uhr | Präsenz |
|  26.05.2022 | 14:00 Uhr | Discord |



=== Literatur ===

== Bücher ==

  *  R. S. Sutton and A. G. Barto :  "Reinforcement Learning: An Introduction", MIT Press, Cambridge, 2018 (ISBN:  9780262039246)
  *  G. N. Yannakakis and J. Togelius :  "Artificial Intelligence and Games", Springer, 2018 (ISBN: 9783319635194) 
  *  M. Lapan:  "Deep Reinforcement Learning Hands-On", Packt Publishing, 2018 (ISBN: 9781788834247) 
  *  L. Graesser and W. L. Keng: "Foundations of Deep Reinforcement Learning",  Addison-Wesley Professional, 2019 (ISBN: 9780135172490) 
  * M. Morales: "grokking Deep Reinforcement Learning", Manning Publications Co., 2020 (ISBN: 9781617295454)

== Paper/Tutorials ==

  *  V. Mnih et al., “Human-level control through deep reinforcement learning”, Nat., vol. 518, no. 7540, pp. 529-533, 2015 K.Cobbe et al., “Leveraging procedural generation to benchmark reinforcement learning”, CoRR,vol. abs/1912.01588, 2019.
  * A. Juliani et al., “Obstacle tower: A generalization challenge in vision, control, and planning”, in Proceedings IJCAI 2019, Macao, China (S. Kraus, ed.), pp. 2684-2691, ijcai.org, 2019.
  * O. Vinyals et al., “Grandmaster level in starcraft II using multi-agent reinforcement learning”, Nat., vol. 575, no. 7782, pp. 350-354, 2019.
  * C. Berner et al., “Dota 2 with large scale deep reinforcement learning”, CoRR, vol. abs/ 1912.06680, 2019.
  * C. Hidber, “Reinforcement Learning: a gentle Introduction and industrial Application”, aufgerufen über https://youtu.b/3RjSanoNIlk am 14.12.2020, 2019.
  * M. Andrychowicz et al., “Learning dexterous in-hand manipulation”, Int. J. Robotics Res., vol. 39, no. 1, 2020.
  * M. G. Bellemare et al., “Autonomous navigation of stratospheric balloons using reinforcement learning”, Nat. vol. 588, pp.77-82, 2020.