lu.se

Forskar­utbildnings­kurser

Lunds tekniska högskola | Lunds universitet

Detaljer för kursplan för kurs FRT205F giltig från och med VT 2019

Utskriftsvänlig visning

Allmänt
Syfte
  • Att bli bekant med och reinforcement learning.
Innehåll
  • - Markov beslutsprocesser
    - Dynamisk programmering
    - Iterativ policyevaluering
    - Iterativ policyiterering
    - Värdeiterering
    - Modellfri planering
    - Monte-Carlo metoder
    - Modellfri reglering
    - Value Function Approximation
    - Policygradientmetoder
    - Exploration och Exploitation

Kunskap och förståelse
  • För godkänd kurs skall doktoranden
  • - förstå de grundläggande koncepten och metoderna inom reinforcement learning
Färdighet och förmåga
  • För godkänd kurs skall doktoranden
  • - kunna förstå hur reinforcement learning kan implementeras i Python och Tensorflow
Värderingsförmåga och förhållningssätt
  • För godkänd kurs skall doktoranden
  • - förstå för vilka problem reinforcement learning är lämpligt
Undervisningsformer
  • Seminarier
  • övningar
  • Litteraturkurs som självstudier
  • övrigt
  • Baserad på David Silvers Reinforcement Learning kurs på UCL och de tillhörande videoföreläsningar.
Examinationsformer
  • övrigt
  • Aktiv medverkan i tillräckligt många kursmöten
  • Underkänd, godkänd
Förkunskapskrav
  • Antagen till doktorandstudier vid teknisk fakultet
Förutsatta förkunskaper
  • Inga
Urvalskriterier
  • Inga
Litteratur
  •  
  • Kursen är baserad på videoföreläsningar av David Silver.
Övrig information
Kurskod
  • FRT205F
Administrativ information
  • 2019-09-12
  • Professor Thomas Johansson

Alla publicerade kurstillfällen för kursplanen

Inga matchande kurstillfällen hittades.

0 kurstillfällen.

Utskriftsvänlig visning