Deep Reinforcement Learning (DRL)5.0 ECTS
(englische Bezeichnung: Deep Reinforcement Learning)
(Prüfungsordnungsmodul: Seminar im Masterstudium)

Lehrveranstaltungen:

• • Deep Reinforcement Learning
    (Seminar, 2 SWS, Christopher Mutschler et al., The seminar will be held as a block event by appointment)

Inhalt:

Reinforcement Learning (RL) ist eine Art des maschinellen Lernens, bei der ein autonomer Agent in einer Umgebung durch einen Versuchs- und Fehlerprozess lernt. Beim Reinforcement Learning führt der Agent Aktionen aus und beobachtet die Rückmeldungen durch seine Umgebung. Wenn Handlungen zu besseren Situationen führen, mag es sinnvoll erscheinen, ein solches Verhalten später erneut anzuwenden. Falls es zu schlechteren Situationen führt ist jedoch vielleicht sinnvoll, ein solches Verhalten in der Zukunft zu vermeiden. Daher liegt das zentrale Problem in der Optimierung der Auswahl optimaler Aktionen in jeder Situation, um ein bestimmtes Ziel zu erreichen. In diesem Seminar werden die wichtigsten Aspekte und Methoden untersucht, die heutzutage in aktuellen Algorithmen des Deep Reinforcement Learnings eingesetzt werden.

Reinforcement Learning (RL) is a kind of learning that allows an autonomous agent to learn in an environment through a trial-and-error process. In Reinforcement Learning the agent takes actions and observes the environmental feedback. If actions lead to better situations, there is the tendency of applying such behavior again, otherwise, the tendency is to avoid such behavior in the future. Hence, the central problem lies within the optimization of selecting optimal actions in any situation to reach a given goal. In this seminar, students will investigate the key aspects and methods used in nowadays deep reinforcement learning algorithms.

Lernziele und Kompetenzen:

Nach der Teilnahme an diesem Seminar sind die Studierenden in der Lage:

• prinzipielle Vorgehensweisen beim Machine Learning zu erläutern,

• Vor- und Nachteile einzelner Methoden zu untersuchen,

• Chancen und Grenzen des maschinellen Lernens zu erläutern,

• erforderliche Literatur aufzufinden, zu analysieren und zu bewerten,

• sich eigenständig in ein Themengebiet einzuarbeiten,

• Grundzüge der Präsentationstechniken anzuwenden und zu motivieren,

• eine Präsentation mit Begleitmaterial für ein Fachpublikum zu entwickeln,

• einen Vortrag passend für einen vorgegebenen Zeitrahmen durchzuführen,

• Sachverhalte unter Fachleuten zu diskutieren,

• fachspezifische Fragen für das Gebiet zu beantworten

The students

• Explain basic procedures behind (deep) reinforcement learning

• Get to know the pros and cons of different approaches

• perform literature research based on a given scientific article

• independently study the topic based on the found literature

• present the given topic in a manner that is understandable for other students

• get to know the requirements of a scientific talk

• give a talk in English and gain language competence

Literatur:

see seminar (https://univis.fau.de/form?__s=2&dsc=anew/lecture_view&lvs=tech/IMMD/jpsoin/drl&anonymous=1&founds=tech/IMMD/jpsoin/drl&lang=en&nosearch=1&ref=main&sem=2019s&__e=913)

Organisatorisches:

• Registration via email to christopher.mutschler@fau.de

• The event will be half in block by appointment
  

Verwendbarkeit des Moduls / Einpassung in den Musterstudienplan:

1. Computational Engineering (Rechnergestütztes Ingenieurwesen) (Master of Science): ab 1. Semester
   (Po-Vers. 2013 | TechFak | Computational Engineering (Rechnergestütztes Ingenieurwesen) (Master of Science) | Seminar, Masterarbeit | Seminar im Masterstudium)

Studien-/Prüfungsleistungen:

Deep Reinforcement Learning (Prüfungsnummer: 645663)

(englischer Titel: Deep Reinforcement Learning)

Prüfungsleistung, Seminarleistung, benotet, 5.0 ECTS

Anteil an der Berechnung der Modulnote: 100.0 %

weitere Erläuterungen:

• Presentation (30-40 minutes)

• Preparation of a report that includes the main points of the talk (not a simply copy of the slides)

• Attending the presentations of other students

• Completion of the slides one week before the talk; completion of the report until the end of the semester

Prüfungssprache: Englisch

Erstablegung: SS 2019, 1. Wdh.: WS 2019/2020

1. Prüfer:

Christopher Mutschler