Maschinelles Lernen (ML) (Stand WS2009)

Die Übung gliedert sich in 4 Komplexe:

  • Einführung in Matlab (Link)
  • Einführung in ML
  • Reinforcement Learning (RL)
  • Praktische Programmierübung in Matlab: Thema RL

Termine:

wöchentlich Di 17:15- 18:45, Raum 1/B202 (FRIZ))

(alter Termin Di 19:00- 20:30, Raum 1/B202 (FRIZ))

Übungsunterlagen

Es werden pro Komplex Aufgabenblätter und Lösungen (ab 3.3.2010 auf Anfrage bei F. Beuth) bereitgestellt: Link. Es sind folgende Komplexe geplant, welche meistens einem Kapitel im Buch “Reinforcement Learning von Sutton & Barto” entsprechen:

  1. Einführung, klassische Konditionierung
  2. N-Arm-Bandit Problem (entspricht Kap. 2, Evaluative Feedback)
  3. Formal definition of the RL problem
  4. Dynamic Programming
  5. Monte Carlo methoden
  6. Temporal Difference Learning (TD)
  7. Eligibility Traces
  8. Generalization and Function Approximation
  9. Planning and Learning

Links

Vorlesungsmaterialien

“Reinforcement Learning” von Sutton & Barto (das Buch ist im HTML Format verfügbar)

Die Musterlösungen für die Übungen im Buch sind u.a. bei John Weatherwax (PhD Student beim MIT) verfügbar.