Moses - Modulbeschreibung ohne Titel

Zur Modulseite PDF generieren

Modul / Version
#40969 / #1

Gültigkeit
WS 2019/20 - SoSe 2022

Verfügbare Sprache(n)
Deutsch, Englisch

Titel des Moduls
Advanced topics in Reinforcement Learning

Leistungspunkte
6

Modulverantwortliche*r
Obermayer, Klaus

Benotung
Benotet

Prüfungsform
Mündliche Prüfung

Lehrsprache(n)
Englisch

Zugehörigkeit

Fakultät
Fakultät IV

Institut
Institut für Softwaretechnik und Theoretische Informatik

Fachgebiet
34351300 FG Neuronale Informationsverarbeitung

Prüfungsausschuss
Keine Angabe

Kontakt

Sekretariat
MAR 5-6

Ansprechpartner*in
Groiß, Camilla

E-Mail-Adresse
sekr@ni.tu-berlin.de

Webseite

http://www.ni.tu-berlin.de/teaching/

Diese Modulbeschreibung gilt nicht im aktuellen Semester.

Die Modulbeschreibung gilt nur für den Zeitraum WS 2019/20 - SoSe 2022.

Lernergebnisse

Die Studierenden sind in der Lage, sich in aktuelle Themen im Bereich Reinforcement Learning selbständig einzuarbeiten, anzuwenden und die Ergebnisse zu präsentieren. 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, mit Schwerpunkt auf Meta-Learning. 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:

Lehrveranstaltungen	Art	Nummer	Turnus	Sprache	SWS	ISIS	VVZ
Advanced topics in Reinforcement Learning	SEM	3435 L 10262	WiSe/SoSe	en	2

ISIS-Kurssuche nach Veranstaltungen des Moduls

Arbeitsaufwand und Leistungspunkte

Advanced topics in Reinforcement Learning (SEM):

Aufwandbeschreibung	Multiplikator	Stunden	Gesamt
Präsenzzeit	15.0	2.0h	30.0h
Vor-/Nachbereitung	15.0	10.0h	150.0h
			180.0h(~6 LP)

Der Aufwand des Moduls summiert sich zu 180.0 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:

Fähigkeit, sich selbständig in ein Thema einzuarbeiten, Erfahrung in der Präsentation von wissenschaftlichen Ergebnissen, elementares Verständnis von metacognition 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

Benotung

Benotet

Prüfungsform

Mündliche Prüfung

Sprache(n)

Englisch

Dauer/Umfang

45 Minuten

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

Die Anmeldung zur mündlichen Prüfung erfolgt schriftlich über das Prüfungsamt. Prüfungssprache ist Englisch.

Literaturhinweise, Skripte

Skript in Papierform

Verfügbarkeit: nicht verfügbar

Skript in elektronischer Form

Verfügbarkeit: nicht verfügbar

Literatur

Empfohlene Literatur
Keine empfohlene Literatur angegeben

Zugeordnete Studiengänge

Semester:

Zeige auch ausgelaufene Studiengänge und StuPOs

Diese Modulversion wird in folgenden Studiengängen verwendet:

	Studiengang / StuPO	StuPOs	Verwendungen	Erste Verwendung	Letzte Verwendung
Dieses Modul findet in keinem Studiengang Verwendung.

Studierende anderer Studiengänge können dieses Modul ohne Kapazitätsprüfung belegen.

Keine Angabe

Sonstiges

Keine Angabe