Studiecirkel om Deep Reinforcement Learning
Study Circle in Deep Reinforcement Learning

FRT240F, 5 högskolepoäng

Gäller från och med: Vårterminen 2021
Beslutad av: Professor Thomas Johansson
Datum för fastställande: 2021-02-18

Allmänna uppgifter

Avdelning: Reglerteknik
Kurstyp: Ren forskarutbildningskurs
Undervisningsspråk: Engelska

Syfte

Att lära deltagarna grunderna i Djup Förstärkningsinlärning

Mål

Kunskap och förståelse

För godkänd kurs skall doktoranden förstå avancerade ämnen inom förstärkningslärande och implementeringsaspekter av deep reinforcement learning med hjälp av neurala nätverk.

Färdighet och förmåga

För godkänd kurs skall doktoranden kunna implementera olika djupa förstärkningsinlärningsmetoder baserade på neurala nätverk.

Värderingsförmåga och förhållningssätt

För godkänd kurs skall doktoranden

• demonstrera förståelse för fördelarna och nackdelarna med tillämpningen av inlärningstekniker för förstärkning.
• kunna välja en bra miljö för effektiv förstärkningsinlärning.

Kursinnehåll

Q functions, Advanced Policy Gradients, Model Based planning, Model Based RL, Model Based Policy Learning, Control as Inference, Inverse Förstärkningsinlärning, Distributed RL, utmaningar och öppna problem

Kurslitteratur

Sutton, Richard S. & Barto, Andrew G.: Reinforcement Learning, Second Edition. ISBN 9780262039246.

Kursens undervisningsformer

Undervisningsformer: Seminarier, övningar, litteraturkurs som självstudier, övrigt. Baserad på erkely deep RL course "CS285" och få uppdrag tillgängliga på Github

Kursens examination

Examinationsform: övrigt. Aktiv medverkan i tillräckligt många kursmöten
Betygsskala: Underkänd, godkänd
Examinator:

Antagningsuppgifter

Förkunskapskrav: Antagen till doktorandstudier vid teknisk fakultet
Förutsatta förkunskaper: Basic reinforcement learning knowledge, basic neural network construction and training using tensorflow or pytorch
Urvalskriterier: Inga

Kurstillfällesinformation

Kontaktinformation och övrigt

Kursansvariga:
Hemsida: http://www.control.lth.se/education/doctorate-program/study-circle-in-deep-reinforcement-learning/