Verstärkendes Lernen

Dieses Modul behandelt Verstärkungslernen, eine Art des maschinellen Lernens, bei der Agenten durch Interaktion mit einer Umgebung lernen, Entscheidungen zu treffen, um die kumulative Belohnung zu maximieren. Es deckt Schlüsselkonzepte wie den Markow-Entscheidungsprozess, die Politikoptimierung und wertbasierte Methoden ab, sowie Anwendungen in Bereichen wie Spiele, Robotik und autonome Systeme.

Curriculum Builder

Brauchen Sie Hilfe? Klicken Sie hier für eine Anleitung.

Sutton, Richard S. und Andrew G. Barto. Reinforcement Learning: Eine Einführung. Zweite Auflage. Reihen zu adaptiver Berechnung und maschinellem Lernen. Cambridge, Massachusetts: Die MIT-Presse, 2018.

Kochenderfer, Mykel J., Tim A. Wheeler und Kyle H. Wray. Algorithmen für die Entscheidungsfindung. Cambridge, Massachusetts: Die MIT-Presse, 2022.

Agarwal, Alekh, Nan Jiang und S. Kakade. “Reinforcement Learning: Theorie und Algorithmen”, 2019.

https://www.semanticscholar.org/paper/Reinforcement-Learning%3A-Theory-and-Algorithms-Agarwal-Jiang/8ef87e938b53c7f3ffdf47dfc317aa9b82848535

Bertsekas, Dimitri P. Reinforcement Learning und optimale Steuerung. 2. Auflage (einschließlich redaktioneller Überarbeitungen). Belmont, Massachusetts: Athena Scientific, 2019.