This course is a basic introduction to Deep Reinforcement Learning (RL). In RL, an agent learns to make sequential decisions by interacting with an environment to maximize some notion of reward. Deep RL combines RL and deep learning, in that neural networks are used to represent the agent's value functions or decision making policies, enabling the handling of complex input spaces such as images or sensor readings. This approach has led to significant advancements in tackling problems such as playing video games, robotics control, and autonomous driving. As a result, expertise in RL constitutes a significant advantage in the industrial job market. By the end of the seminar, it is expected that students will gain proficiency in designing their own RL algorithms, enabling them to apply it to different areas such as robotics, recommendation systems, gaming, etc. to name a few, and also comprehend current literature in the field.
Participants:
The seminar is aimed at all Bachelor- and Master- level students in the Informatik and the Techno-Mathematik courses. A maximum of 12 students can participate in the seminar.
Pre-requisites:
As a prerequisite, this seminar will assume familiarity with probability, linear algebra, and programming in Python.
Learning organisation:
The seminar is divided into six blocks (following an introductory session), each lasting two weeks. Every block consists of the following components:
* Week 1: Preparation of a presentation using prescribed sources (book chapters, video lectures, scientific articles).
* Week 2: Presentations by 2 participants, each lasting 25 minutes based on a topic assigned to each participant in the first session of the seminar.
Area classification:
Studiendekanat Elektrotechnik, Informatik und Mathematik
Stud.IP informationen about this course:
Home institute: Studiendekanat Elektrotechnik, Informatik und Mathematik (E)
Registered participants in Stud.IP: 10
Documents: 3
Betreute Abschlussarbeiten
laufende
2024
Kumar, Melvin (2024). Automatische Erstellung von Simulationsmodellen für die Untersuchung der Auswirkung einer Netzaggregation auf die Kurschlusseigenschaften eines Netzes.
beendete
2024
Helmich, L. M. (2024). Entwicklung und Simulation eines Effektivwertmodells für STATCOM-Anlagen mit neuartigen Regelstrategien für Pendeldämpfungen in PowerFactory.
2023
Engemann, T. (2023). Nachbildung des Betriebsverhaltens einer Windkraftanlage in einer Laborumgebung.
Helmich, L. M. (2023). Entwicklung und Simulation einer Regelstrategie für die Pendeldämpfung durch STATCOM-Geräte.
Heunda, J. (2023). Dynamische Lastmodellierung zur adaptiven Schutzparametrierung in elektrischen Verteilnetzen.
Hube, P. (2023). Quantitative Bewertung des Mehrwerts einer adaptiven gegenüber einer konventionellen Netzschutzparametrierung.
Hube, P. (2023). Modellierung und Analyse des Kurzschlussverhaltens von Typ 4 umrichtergekoppelten Windkraftanlagen.
Kock am Brink, J. (2023). Vergleich von Spannungsstabilitätskennzahlen und deren Eignung als Resilienzindex.
Stoffregen, J. F. (2023). Implementierung und Simulation eines Testnetzes für die Mehrwertbetrachtung eines adaptiven Netzschutzes.
2022
Hillebrecht, T. (2022). Entwicklung und Implementierung eines Verfahrens zur Online-Detektion von Spannungsin-stabilitäten in gekoppelten Energiesystemen.
Schill, G. (2022). Untersuchung von Störungskaskaden in sektorengekoppelten Energiesystemen mittels einer Resilienzkennzahl.
2021
Ducci, D. (2021). Untersuchung der Bereitstellung von Regelleistung durch virtuelle Kraftwerke in sektorengekoppelten Energiesystemen.
Gomez Anccas, E. D. (2021). Entwicklung einer Methodik zur quantitativen Untersuchung und Bewertung dynamischer Interaktionen in gekoppelten Energiesystemen.
2020
Dressel, M. (2020). Untersuchung von spannungsstabilitätsbedingten Resilienzveränderungen im norddeutschen Energiesystem.
Gomez Anccas, E. D. (2020). Entwicklung eines Testmodells zur Untersuchung dynamischer Interaktionen in gekoppelten Energiesystemen.
Luo, K. (2020). Untersuchung der Auswirkungen des Netzentwicklungsplans 2025 auf die Netztopologie in Norddeutschland.
2019
Bredenberg, H. (2019). Optimierungssystem zur Netzplanung für die Mittelspannungsebene unter Berücksichtigung möglicher Entwicklungsszenarien.
Faili, Z. (2019). Analysis of the Voltage Stability in the Northern German Electrical Grid with Dynamic Simulation.
Häbel, I. (2019). Aggregation von Netzdaten für die numerisch effiziente Simulation gekoppelter Energiesysteme.
Krupp, M. (2019). Entwicklung und Integration eines Simulationsmodells für vermaschte Mehrpunkt-HGÜ-Systeme im Rahmen der Power System Toolbox.
2018
Dressel, M. (2018). Entwicklung und Integration eines Testnetzes zur Nachbildung des elektrischen Energiesystems von Nordeutschland für die Simuation energietechnischer Szenarien.