510009 VU VGSCO: Optimization Foundations of Reinforcement Learning (2022W)
Prüfungsimmanente Lehrveranstaltung
Labels
VOR-ORT
An/Abmeldung
Hinweis: Ihr Anmeldezeitpunkt innerhalb der Frist hat keine Auswirkungen auf die Platzvergabe (kein "first come, first served").
- Anmeldung von Di 20.12.2022 00:00 bis So 15.01.2023 16:18
- Abmeldung bis Fr 20.01.2023 16:18
Details
max. 24 Teilnehmer*innen
Sprache: Englisch
Lehrende
Termine (iCal) - nächster Termin ist mit N markiert
- Montag 23.01. 09:45 - 11:15 Seminarraum 1 Oskar-Morgenstern-Platz 1 Erdgeschoß
- Montag 23.01. 11:30 - 13:00 Seminarraum 1 Oskar-Morgenstern-Platz 1 Erdgeschoß
- Dienstag 24.01. 09:45 - 11:15 Seminarraum 3 Oskar-Morgenstern-Platz 1 1.Stock
- Dienstag 24.01. 11:30 - 13:00 Seminarraum 3 Oskar-Morgenstern-Platz 1 1.Stock
- Mittwoch 25.01. 09:45 - 11:15 Seminarraum 1 Oskar-Morgenstern-Platz 1 Erdgeschoß
- Mittwoch 25.01. 11:30 - 13:00 Seminarraum 1 Oskar-Morgenstern-Platz 1 Erdgeschoß
- Mittwoch 25.01. 15:00 - 16:30 Seminarraum 5 Oskar-Morgenstern-Platz 1 1.Stock
- Donnerstag 26.01. 09:45 - 11:15 Hörsaal 9 Oskar-Morgenstern-Platz 1 1.Stock
- Donnerstag 26.01. 11:30 - 13:00 Hörsaal 9 Oskar-Morgenstern-Platz 1 1.Stock
- Donnerstag 26.01. 15:00 - 16:30 Hörsaal 3 Oskar-Morgenstern-Platz 1 Erdgeschoß
- Montag 30.01. 08:00 - 09:30 Seminarraum 1 Oskar-Morgenstern-Platz 1 Erdgeschoß
- Montag 30.01. 09:45 - 11:15 Seminarraum 1 Oskar-Morgenstern-Platz 1 Erdgeschoß
- Montag 30.01. 11:30 - 13:00 Seminarraum 1 Oskar-Morgenstern-Platz 1 Erdgeschoß
- Dienstag 31.01. 09:45 - 11:15 Seminarraum 1 Oskar-Morgenstern-Platz 1 Erdgeschoß
- Dienstag 31.01. 11:30 - 13:00 Seminarraum 1 Oskar-Morgenstern-Platz 1 Erdgeschoß
Information
Ziele, Inhalte und Methode der Lehrveranstaltung
Reinforcement learning (RL) has been in the limelight because of many recent breakthroughs in artificial intelligence, and is powerful learning paradigm for sequential decision-making under uncertainty. This course focuses on theoretical and algorithmic foundations of reinforcement learning, with a special optimization emphasis.This course aims to provide students with an advanced introduction of RL theory and algorithms as well as bring them near the frontier of this active research field. Topics include fundamentals of Markov decision processes, approximate dynamic programming, linear programming and primal-dual perspectives of RL, value-based RL approaches and stochastic approximation, policy gradient and actor-critic algorithms, deep RL. If time allows, we will also discuss advanced topics such as inverse RL, multi-agent RL, POMDPs, etc.
Art der Leistungskontrolle und erlaubte Hilfsmittel
Course assessment will be based on two homeworks and class participation.
Mindestanforderungen und Beurteilungsmaßstab
Students are expected to have strong mathematical background in linear algebra, probability theory, optimization, and machine learning.
Prüfungsstoff
Literatur
Dynamic Programming and Optimal Control, Vol I & II, Dimitris Bertsekas
Reinforcement Learning: An Introduction, Second Edition, Richard Sutton and Andrew Barto.
Algorithms for Reinforcement Learning, Csaba Czepesvári.
Reinforcement Learning: Theory and Algorithms, Alekh Agarwal, Nan Jiang, Sham M. Kakade.
Reinforcement Learning: An Introduction, Second Edition, Richard Sutton and Andrew Barto.
Algorithms for Reinforcement Learning, Csaba Czepesvári.
Reinforcement Learning: Theory and Algorithms, Alekh Agarwal, Nan Jiang, Sham M. Kakade.
Zuordnung im Vorlesungsverzeichnis
MAMV
Letzte Änderung: Do 26.01.2023 17:30