Vorlesung: Autonomous and Self-learning Systems - Details

Vorlesung: Autonomous and Self-learning Systems - Details

Sie sind nicht in Stud.IP angemeldet.

Allgemeine Informationen

Veranstaltungsname Vorlesung: Autonomous and Self-learning Systems
Veranstaltungsnummer INF-3035
Semester SS 2026
Aktuelle Anzahl der Teilnehmenden 10
erwartete Teilnehmendenanzahl 12
Heimat-Einrichtung Organic Computing
Veranstaltungstyp Vorlesung in der Kategorie Lehre
Nächster Termin Montag, 20.04.2026 12:15 - 13:45, Ort: (W-1023)
Teilnehmende Masterstudierende im Bereich der Informatik
Veranstaltung findet in Präsenz statt / hat Präsenz-Bestandteile Ja
Hauptunterrichtssprache deutsch
ECTS-Punkte 8

Räume und Zeiten

(W-1023)
Montag: 12:15 - 13:45, wöchentlich (12x)

Modulzuordnungen

Kommentar/Beschreibung

Reinforcement Learning ist ein zentraler Ansatz des maschinellen Lernens, der es Systemen ermöglicht, durch Interaktion mit ihrer Umgebung selbstständig Entscheidungen zu treffen und optimale Strategien zu entwickeln.
Die Vorlesung führt zunächst in die grundlegenden Konzepte des Reinforcement Learnings ein und beleuchtet dabei Schlüsselthemen wie Temporal Difference Learning sowie Policy- und Value-basierte Methoden.
Ein besonderer Schwerpunkt liegt auf modernen Ansätzen wie Deep Reinforcement Learning, das tief neuronale Netze mit Reinforcement Learning-Techniken kombiniert, um komplexe Entscheidungsprobleme zu lösen.
Weitere Themen umfassen die Actor-Critic-Architektur, die eine hybride Perspektive auf Policy- und Value-basierte Methoden bietet, sowie Multi-Objektive Reinforcement Learning-Ansätze, die darauf abzielen, mehrere Ziele gleichzeitig zu optimieren.
Zusätzlich wird die Vorlesung auf die Herausforderungen und Lösungen im Bereich Multi-Agent Reinforcement Learning eingehen, bei dem mehrere Agenten lernen, kooperativ oder kompetitiv in einer gemeinsamen Umgebung zu agieren.
Praktische Anwendungen und die Vermittlung von Designprinzipien für Reinforcement Learning-Systeme runden die Inhalte ab und bereiten Studierende auf aktuelle Forschung und reale Implementierungen vor.