Zum Inhalt springen
Technische Universität Berlin English
Vorlesungsverzeichnis und Modultransfersystem

Weiterführende Themen im Bereich verstärkendes LernenModulbeschreibung #40969 / Version 2

← Zur Modulseite English version
Diese Modulbeschreibung gilt nicht im aktuellen Semester (WiSe 2026/27).
Modul / Version#40969 / #2
GültigkeitWiSe 2022/23 – SoSe 2024
Verfügbare Sprache(n)Englisch
Leistungspunkte6
Modulverantwortliche*rObermayer, Klaus
BenotungBenotet
PrüfungsformPortfolioprüfung
Lehrsprache(n)Englisch

Zugehörigkeit

FakultätFakultät IV
InstitutInstitut für Softwaretechnik und Theoretische Informatik
Fachgebiet34351300 FG Neuronale Informationsverarbeitung

Kontakt

SekretariatMAR 5-6
Ansprechpartner*inGroiß, Camilla
E-Mail-Adressesekr@ni.tu-berlin.de
Webseitehttp://www.ni.tu-berlin.de/teaching/

Lernergebnisse

Die Studierenden sind in der Lage, sich in aktuelle Themen im Bereich Deep-Reinforcement Learning selbständig einzuarbeiten, anzuwenden und die Ergebnisse den anderen Studenten zu präsentieren. Sie erhalten ein speziferisches und tieferes Verständnis davon, wie das menschliche Gehirn funktioniert.
Die Fähigkeiten umfassen Literaturarbeit, Implementierung und Anwendung eines maschinellen Lern-Algorithmus, Durchführung und Bewertung von Experimenten, adäquate Präsentation und Diskussion von Ergebnissen von aktuellen Techniken im Bereich Maschinelles Lernen.

Lehrinhalte

Die Teilnehmer werden sich in die aktuelle Literatur zum Thema Reinforcement Learning einarbeiten. Anschließend wird ein Thema, welches frei wählbar ist, von den Teilnehmern implementiert und auf ein Test- Datenset angewendet; Ergebnisse als auch das Thema selbst werden in der Gruppe vorgestellt.

Modulbestandteile

Pflichtbereich

Die folgenden Veranstaltungen sind für das Modul obligatorisch:

LehrveranstaltungenArtNummerTurnusSpracheSWSVVZ
Advanced topics in Reinforcement LearningSeminar3435 L 10262 Winter- und Sommersemester[en]2 ISIS

Arbeitsaufwand und Leistungspunkte

Advanced topics in Reinforcement Learning (Seminar)

AufwandbeschreibungMultiplikatorStundenGesamt
Präsenzzeit152 h30 h
Vor-/Nachbereitung1510 h150 h
180 h

Der Aufwand des Moduls summiert sich zu 180 Stunden. Damit umfasst das Modul 6 Leistungspunkte.

Beschreibung der Lehr- und Lernformen

Teilnehmer werden sich in die aktuelle Literatur zum Thema Reinforcement Learning selbstständig einarbeiten. Nach der Wahl des Themas werden die Teilnehmer die Techniken auf einen auszuwählenden Test-Datensatz anwenden und sowohl die Ergebnisse als auch das Thema selbst vorstellen.

Voraussetzungen für die Teilnahme / Prüfung

Wünschenswerte Voraussetzungen für die Teilnahme an den Lehrveranstaltungen:

Erwünschte Fähigkeiten: sich selbständig in ein Thema einarbeiten zu können, Erfahrung in der Präsentation von wissenschaftlichen Ergebnissen, Grundkenntnisse der Künstlichen Intelligenz
Teilnehmer sollten über Grundkenntnisse der Themen verfügen, die in den Lehrveranstaltungen Machine Intelligence I und II behandelt werden.

Verpflichtende Voraussetzungen für die Modulprüfungsanmeldung:

Dieses Modul hat keine Prüfungsvoraussetzungen.

Abschluss des Moduls

BenotungBenotet
PrüfungsformPortfolioprüfung
Art der Portfolioprüfung100 Punkte insgesamt
SpracheEnglisch

Prüfungselemente

NamePunkte/GewichtKategorieDauer/Umfang
(Deliverable assessment) Coding project30praktisch30 Stunden
(Deliverable assessment) Project presentation50praktisch40 minutes
(Deliverable assessment) Literature review20schriftlich6 hours

Prüfungsbeschreibung (Abschluss des Moduls)

Portfolio-Prüfung Gesamtpunktzahl 100

Dauer des Moduls

Für Belegung und Abschluss des Moduls ist folgende Semesteranzahl veranschlagt: 1 Semester.

Dieses Modul kann in folgenden Semestern begonnen werden: Winter- und Sommersemester.

Maximale teilnehmende Personen

Die maximale Teilnehmerzahl beträgt 30.

Anmeldeformalitäten

Anmeldung über MOSES; Prüfungssprache ist Englisch.

Literaturhinweise, Skripte

Skript in Papierform

nicht verfügbar

Skript in elektronischer Form

nicht verfügbar

Empfohlene Literatur

  • Sutton, R.S. & Barto, A.G.: reinforcement learning: An introduction. MIT press, 2018
  • Bertsekas, D.: Reinforcment Learning and Optimal Control. Athena Scientific, 2019
  • Amodei, D., Olah, J., Steinhardt, J. Christiano, P., Schulman, J. and Mane, D.: Concrete Problems in AI Safety. 2016

Zugeordnete Studiengänge

Dieses Modul findet in keinem Studiengang Verwendung.

Sonstiges

Keine Angabe