• Grundlegende Kenntnisse des Bestärkenden Lernens (engl.: RL)
• Kenntnisse der Anwendung und Anwendbarkeit von Lernverfahren für autonome Roboter
• Kenntnis der Problemklasse „Markovsches Entscheidungsproblem“ (MDP) und des Konzepts der Wertfunktionen
• Verständnis von Modell-bidenden (Dynamic Programming, Dyna-Architekturen) und Modell-freien (Monte-Carlo, Temporal Difference) Lernverfahren
• Kenntnisse der wichtigsten Methoden und Verfahren zur Explorationskontrolle beim RL
• Erlernen der Durchführung, Auswertung und Präsentation von empirischen Untersuchungen von Lernverfahren
• Einarbeitung in die Literatur des aktuellen Stands der Technik

• Grundlagen des Bestärkenden Lernens (engl.: RL)
• Problemklassen und Anwendungen für das Bestärkende Lernen
• Grundlegende Probleme und Verfahren der Explorationskontrolle beim RL
• Fortgeschrittene und aktuelle Themen des Bestärkenden Lernens (bspw. Direct Policy Search, Hierachisches RL, Deep RL, Multi-Agenten RL …)

Insbesondere werden folgende theoretisch/methodische Grundlagen im Zusammenhang dieser Inhalte behandelt:

• Theorie Markovscher Entscheidungsprozesse
• Theorie des Dynamic Programming (Policy Iteration, Value Iteration)
• Theorie der Monte Carlo Methoden
• Theorie des Temporal Difference Lernens
• Theorie von Modell-bildenden Verfahren
• Einarbeitung und Verständnis von wissenschaftlichen Veröffentlichungen
• Auswertung und Präsentation von Analysen / Algorithmen
• Anfertigung von Diagrammen auf wissenschaftlichem Niveau
• Anwendung von RL auf echten Systemen

i.d.R. Bearbeitung von Übungsaufgaben und Fachgespräch oder mündliche Prüfung

Sutton, R., Barto, A. ‘Reinforcement Learning: An Introduction’, MIT-Press (1998)