Ausgewählte Kapitel der Computational Intelligence

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:

• M.L. Putermann: Markov Decision Processes. Wiley: Hoboken (NJ) 2005.
• R.S. Sutton and A.G. Barto: Reinforcement Learning - An Introduction. 2. Auflage, Bradford Books, 2018.
• H. Dong, Z. Ding, S. Zhang (Hrsg.): Deep Reinforcement Learning - Fundamentals, Research and Applications. Springer Nature: Singapur 2020.

• L. Graesser and W.L. Keng: Foundations of Deep Reinforcement Learning - Theory and Practice in Python. Addision Wesley, 2020.
• A. Zai und B. Brown: Einstieg in Reinforcement Learning - KI-Agenten mit Python und PyTorch programmieren. Hanser, 2020.

Forschungsgebiet (MPO 2008):

• Intelligente Systeme (C)