Inhalt

In der Vorlesung werden verschiedene Methoden des Bestärkenden Lernens (Reinforcement Learning) vorgestellt, die es der Maschine erlauben, algorithmisch schwer lösbare Probleme mittels Trial & Error zu lösen. Hierbei werden die Unterschiede zum Überwachten Lernen (Supervised Learning) aufgezeigt und die Vor- und Nachteile, sowie typischen Problemstellungen des Bestärkenden Lernen beleuchtet. Neben den theoretischen Grundlagen werden mehrere Herangehensweisen (Dynamische Programmierung, Monte Carlo Methoden, TD-Lernen, Funktionsapproximation) und Optimierungen (Eligibility Traces, Generalisierung & Funktionsapproximation, Hierarchisches Bestärkendes Lernen) vorgestellt. Die in der Theorie gelernten Methoden und Verfahren werden im Rahmen der Übung vertieft und von den Teilnehmern eigenständig in vorgegebenen Szenarien implementiert. Als Abschlussprojekt wird in Kleingruppen jeweils eine Anwendung mit Bestärkendem Lernen implementiert.