Modulbeschreibung
Deep Reinforcement Learning
ECTS-Punkte:
2
Lernziele:
Die Studierenden
- kennen die Anwendungsmöglichkeiten von Reinforcement Learning (RL) in Robotik und Automation.
- können RL in Python implementieren und relevante Bibliotheken (z.B. TensorFlow, Keras) einsetzen.
- können beurteilen, ob sich RL zur Lösung einer Aufgabe eignet.
- können eine RL Aufgabe formal beschreiben.
- verstehen den Zusammenhang zwischen Deep-Learning und Reinforcement Learning.
- können einen Robotik-Simulator (z.B. openAI-Gym) einsetzen.
- können den Lernprozess quantifizieren und dokumentieren.
Kurse in diesem Modul
Deep Reinforcment Learning:
Problembeschreibung:
- Beschreiben eines RL-Problems als Markov-Entscheidungsprozess
- Grundbegriffe: state, action, reward, policy, Q-value
- Bellman Gleichungen
- Vergleich zu Regelungstechnik
Algorithmen:
- SARSA, Deep-Q
- Backprop (Deep RL)
- evtl. Modell-basiertes RL
Programmierung:
- Bibliotheken: Keras, Tensorflow
- Simulation: openAI-Gym
Projekt
- Projekt aus den Bereichen Robotik ( z.B. https://gym.openai.com/envs/#robotics ) oder Spiele (z.B. 4-Gewinnt)
Klassenunterricht mit 2 Lektionen pro Woche
Disclaimer
Diese Beschreibung ist rechtlich nicht verbindlich! Weitere Informationen finden Sie in der detaillierten Modulbeschreibung.