Utbildningsplaner med kursplaner

Strävan att fullt realisera potentialen av Artificiell Intelligens (AI) kräver autonoma system som kan lära sig att ta bra beslut genom att interagera med sin omgivning. Förstärkningsinlärning (Reinforcement Learning) är ett paradigm som uppfyller dessa krav, och kan appliceras på olika problem, inklusive inom spel, sjukvård, ekonomi och robotik. Kursen ger en solid introduktion till förstärkningsinlärning med centrala tillvägagångssätt och utmaningar, samt är strukturerad kring ett antal föreläsningar, inlämningsuppgifter och ett projekt. Kursen innehåller följande moment: • Markovska beslutsprocesser (MDPs) • Modellbaserad och modellfri prediktion och kontroll • On-policy och off-policy metoder • Monte Carlo, Temporal Difference, Policy-Gradient, och Actor-Critic metoder • Avvägning mellan utforskning och utnyttjande, inklusive ånger • Avvägning mellan bias och varians, inklusive stabilitet • Funktionsapproximering, inklusive djup förstärkningsinlärning • Imitation Learning och Reinforcement Learning där flera agenter interagerar