Games AI - Detailansicht

e-Learning Kurs: https://elearning.rwu.de/course/view.php?id=4431

 

Behandelt die Einführung und grundlegende Konzepte des Reinforcement Learning:

- Marov Theorem (Decisions Process, Chains)

- Lernprinzip (Agent, Reward Goal, Environment)

- Dynamic Programming

- Monte Carlo Methods

- Off-policies / On-policies

- Temporal Difference Learning (Q-Learning / SARSA)

- n-Step Temporal Difference

- Function Approximation

- Deep Q-Learning

Reinforcement Learning An Introduction - Richard S. Sutton and Andrew G. Barto

#### Wissen und Verstehen: Vertiefung einzelner Bestandteile des Wissens

Die Absolventinnen und Absolventen verstehen

- maschinelles Lernen anhand von Reizen und Aktion/Reaktion

- Vor- und Nachteile der grundlegenden Algorithmen

- warum und wann neuronale Netzte für RL nötig sind.

#### Einsatz, Anwendung und Erzeugung von Wissen/Kunst: Nutzung und Transfer

- Spiele dienen der Veranstaltung nur als bequeme Datenbasis und Anschaulichkeit, das vermittelte Wissen ist aber generell anwendbar. Die Teilnehmer sind durch Ihre Protfolioarbeit in der Lage diese auf andere reale Probleme anzuwenden.

#### Kommunikation und Kooperation

Absolventinnen und Absolventen können zusätzlich zu den Folien und Linklisten

- den Dialog nach der Vorlesung oder per Mail suchen

- weitere Online-Quellen nutzen

#### Wissenschaftliches / künstlerisches Selbstverständnis und Professionalität

Absolventinnen und Absolventen

- reflektieren die vermittelten theoretischen Grundlagen auf deren Relevanz für die praktische Umsetzung in ihrem Projekt und können ihre Entscheidungen im

Disskurs mit dem Lehrenden begründen

- können, angeregt durch die Diskussionen in der Lehrveranstaltung und Meinungsäußerungen, über den Einsatz von den in der Lehrveranstaltung besprochenen

Algorithmen kritisch reflektieren.

Gutes Grundverständnis für Mathematik. Programmierkenntnisse mit Python sind erforderlich. Vorkentnisse durch die Vorlesung Machine Learning sind hilfreich aber nicht notwendig.