Studiecirkel om Reinforcement Learning
Study Circle in Reinforcement Learning

FRT205F, 5 högskolepoäng

Gäller från och med: Vårterminen 2019
Beslutad av: Professor Thomas Johansson
Datum för fastställande: 2019-09-12

Allmänna uppgifter

Avdelning: Reglerteknik
Kurstyp: Ren forskarutbildningskurs
Undervisningsspråk: Engelska

Syfte

Att bli bekant med och reinforcement learning.

Mål

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

Kursinnehåll

- Markov beslutsprocesser - Dynamisk programmering - Iterativ policyevaluering - Iterativ policyiterering - Värdeiterering - Modellfri planering - Monte-Carlo metoder - Modellfri reglering - Value Function Approximation - Policygradientmetoder - Exploration och Exploitation

Kurslitteratur

Kursen är baserad på videoföreläsningar av David Silver.

Kursens undervisningsformer

Undervisningsformer: Seminarier, övningar, litteraturkurs som självstudier, övrigt. Baserad på David Silvers Reinforcement Learning kurs på UCL och de tillhörande videoföreläsningar.

Kursens examination

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

Antagningsuppgifter

Förkunskapskrav: Antagen till doktorandstudier vid teknisk fakultet
Förutsatta förkunskaper: Inga
Urvalskriterier: Inga

Kurstillfällesinformation

Kontaktinformation och övrigt

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