Weiterführendes Deep Learning für die Robotik (IN2349)
Advanced Deep Learning for Robotics (IN2349)
Lehrveranstaltung 0000003810 im SS 2021
Basisdaten
LV-Art | Vorlesung mit integrierten Übungen |
---|---|
Umfang | 4 SWS |
betreuende Organisation | Informatik 6 - Lehrstuhl für Robotik, Künstliche Intelligenz und Echtzeitsysteme (Prof. Knoll) |
Dozent(inn)en |
Berthold Bäuml Darius Burschka |
Termine |
Zuordnung zu Modulen
-
IN2349: Weiterführendes Deep Learning für die Robotik / Advanced Deep Learning for Robotics
Dieses Modul ist in den folgenden Katalogen enthalten:- Fokussierungsrichtung Biosensorik im M.Sc. Biomedical Engineering and Medical Physics
weitere Informationen
Lehrveranstaltungen sind neben Prüfungen Bausteine von Modulen. Beachten Sie daher, dass Sie Informationen zu den Lehrinhalten und insbesondere zu Prüfungs- und Studienleistungen in der Regel nur auf Modulebene erhalten können (siehe Abschnitt "Zuordnung zu Modulen" oben).
ergänzende Hinweise | This course is 2V + 2P, the practical part is a semester long project. The course will be given by B. Bäuml. Details about the course will be given on the course webpage: https://bbaeuml.github.io/tum-adlr/ This is the advanced deep learning lecture with a specific focus on Robotics and deep reinforcement learning (including a guest lecture from DeepMind). For the semester long project in the practical part, for each student $1000 credits in the Google Cloud are provided via a Google Educational Grant. Taking the “Introduction to Deep Learning” course is expected. 1. Introduction & Recap of Deep Learning 2. Advanced Network Architectures & Recursive Neural Networks (LSTMs) 3. Hyperparameter & Architecture Search Bayesian optimization, network architecture search (NAS) 4. Adversarial Samples & Adversarial Training 5. Bayesian Deep Learning Bayesian learning, variational inference, Monte Carlo dropout method 6. Generative Models: VAEs & GANs variational auto-encoders, generative neural networks (WGAN-GP) 7. Data Efficient Learning: Transfer & Semi-Supervised Learning 8. Deep Reinforcement Learning I MDPs, Q-iteration, Bellman equation, deep Q-learning, example: Atari-games 9. Deep Reinforcement Learning II policy gradients, REINFORCE, actor-critic algorithm, TRPO, PPO, robotic applications 10. Deep Reinforcement Learning III advanced methods: DDPG, soft Q-learning, soft actor-critic (SAC), robotic applications 11. Deep Reinforcement Learning IV model-based DRL, MCTS + learned heuristics, AlphaZero, model learning, PDDM, robotics applications 12. Guest Lecture from DeepMind Recent Developments in Deep Reinforcement Learning for Robotics |
---|---|
Links |
LV-Unterlagen E-Learning-Kurs (z. B. Moodle) Zusatzinformationen TUMonline-Eintrag |
Gleiche Lehrveranstaltungen (z. B. in anderen Semestern)
Semester | Titel | Dozent(en) | Termine |
---|---|---|---|
WS 2023/4 | Advanced Deep Learning for Robotics (IN2349) | Bäuml, B. | |
SS 2023 | Advanced Deep Learning for Robotics (IN2349) |
Bäuml, B.
Leitung/Koordination: Burschka, D. |
Do, 12:00–14:00, MI HS2 |
WS 2022/3 | Advanced Deep Learning for Robotics (IN2349) | Bäuml, B. | |
SS 2022 | Weiterführendes Deep Learning für die Robotik (IN2349) |
Bäuml, B.
Leitung/Koordination: Burschka, D. |
Do, 12:00–14:00, MI HS2 |
WS 2021/2 | Weiterführendes Deep Learning für die Robotik (IN2349) | Bäuml, B. |
Do, 12:00–15:30, virtuell Do, 12:00–15:30, virtuell |
WS 2020/1 | Advanced Deep Learning for Robotics (IN2349) | Bäuml, B. | |
SS 2020 | Advanced Deep Learning for Robotics (IN2349) | Bäuml, B. | |
SS 2019 | Advanced Deep Learning for Robotics (IN2349) | Bäuml, B. Burschka, D. | |
SS 2018 | Advanced Deep Learning for Robotics (IN2349) |
Bäuml, B.
Leitung/Koordination: Burschka, D. |
|
SS 2017 | Deep Learning in Robotics (IN2349) |
Bäuml, B.
Leitung/Koordination: Burschka, D. |