Engelska

Vid tillräcklig efterfrågan

Att lära deltagarna grunderna i Djup Förstärkningsinlärning

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

förstå avancerade ämnen inom förstärkningslärande och implementeringsaspekter av deep reinforcement learning med hjälp av neurala nätverk.

kunna implementera olika djupa förstärkningsinlärningsmetoder baserade på neurala nätverk.

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

Seminarier

övningar

Litteraturkurs som självstudier

övrigt

Baserad på erkely deep RL course "CS285" och få uppdrag tillgängliga på Github

övrigt

Aktiv medverkan i tillräckligt många kursmöten

Underkänd, godkänd

Antagen till doktorandstudier vid teknisk fakultet

Basic reinforcement learning knowledge, basic neural network construction and training using tensorflow or pytorch

Inga

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

FRT240F

2021-02-18

Professor Thomas Johansson