Stage-oe-small.jpg

Thema4794

Aus Aifbportal
Version vom 21. Juni 2021, 10:28 Uhr von Dh1659 (Diskussion | Beiträge)
(Unterschied) ← Nächstältere Version | Aktuelle Version (Unterschied) | Nächstjüngere Version → (Unterschied)
Wechseln zu:Navigation, Suche



Thinking Fast and Slow with Model-Based Reinforcement Learning




Informationen zur Arbeit

Abschlussarbeitstyp: Master
Betreuer: Mohammd Karam Daaboul
Forschungsgruppe: Angewandte Technisch-Kognitive Systeme
Partner: FZI
Archivierungsnummer: 4794
Abschlussarbeitsstatus: Offen
Beginn: 21. Juni 2021
Abgabe: unbekannt

Weitere Informationen

Reinforcement Learning (RL) is a method of machine learning in which an agent learns a strategy through interactions with its environment that maximizes the rewards it receives from the environment. Model-Based Reinforcement Learning (MBRL) algorithms can learn with notably fewer samples than other RL approaches by using a learned dynamics model of the environment. In this model, policy optimization is then performed (fast thinking), or the most optimal sequence of actions is deliberated (slow thinking).

The goal of this thesis is to design a hybrid approach to policy optimization and decision planning. For more information, see the pdf attached.


WIR BIETEN

  • ein interdisziplinäres Forschungsumfeld mit Partnern aus Wissenschaft und Wirtschaft
  • eine konstruktive Zusammenarbeit mit hellen, motivierten Mitarbeitern
  • eine angenehme Arbeitsatmosphäre


WIR ERWARTEN

  • Wissen auf dem Gebiet des Reinforcement Learning
  • Fähigkeit sowohl State of the Art, als auch experimentelle Algorithmen zu implementieren
  • Schnelle Auffassungsgabe (Schrittweise Einarbeitung in Tensorflow/PyTorch, Python/C++,)
  • Sehr gute Deutsch- oder Englischkenntnisse
  • Hohe Kreativität und Produktivität


ERFORDERLICHE UNTERLAGEN

  • aktueller Notenauszug
  • tabellarischer Lebenslauf


KONTAKT

M. Karam Daaboul


Ausschreibung: Download (pdf)