CG3- Comunicar-se de manera efectiva oralment i per escrit preparant documents i exposant projectes i resultats amb llengua anglesa CG5- Recollir i seleccionar informació per poder avaluar l'estat de l'art d'un tema o matèria específica CG6- Treballar en equips multidisciplinaris, establint aquelles relacions que més poden ajudar a fer aflorar potencialitats de cooperació i mantenir-les de manera continuada CB6- Posseir i comprendre coneixements que aportin una base o oportunitat de ser originals en el desenvolupament i/o aplicació d'idees, sovint en un context d'investigació CB7- Que els estudiants sàpiguen aplicar els coneixements adquirits i la seva capacitat de resolució de problemes en entorns nous o poc coneguts dins de contextos més amplis relacionats amb la seva àrea d'estudi CB10- Que els estudiants tinguin les habilitats d'aprenentatge que els permetin continuar estudiant d'una manera que haurà de ser en gran manera autodirigida o autònoma CE1- Programar, a nivell avançat, en els llenguatges i llibreries més utilitzats en la robòtica de camp intel·ligent CE2- Analitzar un problema relacionat amb sistemes autònoms intel·ligents i identificar les tècniques i les eines apropiades per resoldre'l CE3- Entendre, desenvolupar, modificar i aplicar de manera efectiva mètodes d'aprenentatge automàtic CE5- Conèixer, entendre i ser capaç d'aplicar els algoritmes que permeten als vehicles autònoms localitzar-se i navegar de forma efectiva CE8- Comprendre els fonaments matemàtics dels algorismes utilitzats en els sistemes robòtics intel·ligents
1. Intro to RL 2. Free Model Algorithms 3. Function Approximation 4. Deep Reinforcement Learning 5. Policy Search 6. Sample Efficiency 7. Advanced RL topics
Tipus d’activitat Hores amb professor Hores sense professor Hores virtuals amb professor Total Anàlisi / estudi de casos 10,00 17,00 0 27,00 Prova d'avaluació 2,00 8,00 0 10,00 Sessió expositiva 18,00 20,00 0 38,00 Sessió pràctica 30,00 45,00 0 75,00 Total 60,00 90,00 0 150
Sutton and Barton (2018). An Introduction to Reinforcement Learning, 2nd Edition. MIT Press. Miguel Morales (2020). Grokking Deep Reinforcement Learning. Manning.
Activitats d'avaluació: Descripció de l'activitat Avaluació de l'activitat % Recuperable Tests Test about basic RL contents 20 No Laboratories Lab attendance and delivery 30 No Research Project Develop a research project about and advanced RL topic 50 Sí
The evaluation will take into account the work done in the laboratory (30%), a research project (50%) and a quiz (20%). Criteris específics de la nota «No Presentat»:To not participate in any activity. Avaluació única:The students will demonstrate their practical knowledge in the laboratory and pass an exam containing all theoretical and practical contents. Requisits mínims per aprovar:A grade equal or greater than 5 must be obtained in the equation 0.2*test + 0.3*laboratories + 0.5*project
Student must send an email to the professor for organizing a meeting in which whatever issue will be addressed.