In dieser Lehrveranstaltung werden vertiefte Kenntnisse im Bereich des Lernparadigmas Reinforcement Learning vermittelt. Dabei werden u.a. folgende Themengebiete behandelt: 

• Grundlagen der Markov-Entscheidungsprobleme und der dynamischen Programmierung
• Monte-Carlo-Methoden
• Modellbasiertes und modellfreies Reinforcement Learning
• Temporal Difference Learning und Q-Learning
• Deep Q-Learning
• Policy Gradient Methoden
• Multi-Agent Reinforcement Learning
• Deep Reinforcement Learning für Optimierung und Planung

Im Rahmen der Übung werden die Studierenden lernen, die Themen praxisnah zu vertiefen und anzuwenden. Dabei werden ausgewählte Lernmethoden in der Programmiersprache Python, u.a. mittels PyTorch und OpenAI Gym, implementiert.