Alle Lernmaterialien für deinen Kurs Reinforcement Learning

Der Kurs beginnt mit einer ausführlichen Einführung in Markov-Entscheidungsprozesse, die die Grundstruktur vieler Reinforcement-Learning-Modelle darstellen.

• Grundlagen der Wahrscheinlichkeitstheorie und Stochastik
• Definition und Eigenschaften von Markov-Entscheidungsprozessen (MDPs)
• Zustands- und Aktionsräume
• Belohnungs- und Übergangsfunktionen
• Bellman-Gleichungen

Diese Vorlesungseinheit behandelt die Monte-Carlo-Methoden zur Schätzung von Wertfunktionen anhand zufälliger Stichproben.

• Monte-Carlo-Simulationen für Reinforcement Learning
• Erwartungswert und Varianz
• Ermittlung von Wertfunktionen durch episodische Methoden
• Vergleich von First-Visit und Every-Visit Monte Carlo
• Anwendung von Monte-Carlo-Methoden in verschiedenen Szenarien

Dies umfasst die temporale Differenzmethoden, die Aspekte von Monte-Carlo-Methoden und dynamischer Programmierung kombinieren.

• Grundlagen der TD-Lernen
• TD(0)- und TD(λ)-Methoden
• Unterschied zwischen Bootstrapping und Sampling
• TD-Fehler und sein Einfluss auf Lernvorgänge
• Vergleich von TD-Lernen mit anderen Methoden

Ein fortgeschrittener Teil des Kurses behandelt Deep Reinforcement Learning, das neuronale Netzwerke im RL kombiniert.

• Einführung in neuronale Netze
• Deep Q-Learning und Varianten
• Erklärung von Policy Gradients und Actor-Critic-Methoden
• Anwendung von Convolutional Neural Networks (CNNs) im RL
• Stabilität und Herausforderungen von Deep RL

Weitere wichtige Themen und Anwendungen werden behandelt, um die Vielseitigkeit von Reinforcement Learning zu veranschaulichen.

• Multiagenten-Systeme und deren Koordination
• Hierarchisches Reinforcement Learning
• Inverse Reinforcement Learning
• Anwendungen in Robotik, Spieltheorie und Finanzwesen
• Aktuelle Forschung und Entwicklungen im Bereich Reinforcement Learning