KIUA2004 Deep Reinforcement Learning & Neural Networks

    • Emnekode
      KIUA2004
    • Studiepoeng
      10
    • Undervisningssemestre
      2026 Høst
    • Undervisningsspråk
      Norsk/Engelsk
    • Undervisningssted
      Hamar
    • Forkunnskapskrav

      Anbefalt: KIUA2003 High Performance Computing with Big Data.

Emnets innhold

Emnet gir studentene avansert kunnskap innen Deep Reinforcement Learning (RL), og omfatter temaer som dype Q-nettverk, policy gradienter, aktør-kritiske metoder, etiske hensyn og samfunnsmessige konsekvenser. Studentene utvikler praktiske ferdigheter i å implementere dype forsterkende læringsalgoritmer ved å bruke nevrale nettverk, forbedre problemløsningsevner og mestre nevral nettverksoptimalisering. Emnet fremmer også kritisk tenkning, samarbeid og etisk beslutningstaking. Etter fullføring er studentene godt forberedt på praktiske anvendelser innen kunstig intelligens, kan ta informerte etiske beslutninger og bidra til feltets fremgang.

  • Deep reinforcement learning (RL)
    • dype Q-nettverk, policy gradienter, aktør-kritiske metoder, avveininger for utforsking-utnyttelse, multi-agent RL, modellbasert RL, overføringslæring, og metaforsterkende læring
  • Nevrale nettverksarkitekturer for RL
    • feedforward-, convolutional- og tilbakevendende nettverk med forståelse av nettverksinitialisering, regulariseringsteknikker, batch-normalisering og hvordan man kan løse vanlige problemer som “overfitting”, “vanishing/exploding” gradienter, og “catastrophic forgetting”

Læringsutbytte

Ved bestått emne har studenten oppnådd følgende læringsutbytte:

Kunnskap

Studenten har

  • kunnskap om deep reinforcement learning (RL) konsepter
  • kunnskap om nevrale nettverksarkitekturer brukt i dyp RL
  • kunnskap om sikkerhet, rettferdighet og fortolkninger i dyp RL, og den bredere samfunnsmessige innvirkningen av dyp RL på ulike domener
Ferdigheter

Studenten kan

  • implementere avanserte deep reinforcement læringsalgoritmer ved å bruke nevrale nettverk for å lære å trene, evaluere og finjustere modeller, analysere ytelsen deres, og forstå virkningen av forskjellige hyperparametre og arkitekturer
  • bruke avanserte dype RL-algoritmer for å løse komplekse reinforcement-læringsoppgaver, og for å lære å designe og tilpasse algoritmer til ulike scenarier, analysere avveiningene mellom utforskning og utnyttelse, og optimalisere ytelsen i ulike miljøer
  • analysere og optimalisere nevrale nettverksarkitekturer for reinforcement-læring for bruk av teknikkene for nettverksinitialisering, regularisering og håndtering av vanlige utfordringer, som "overfitting” og “vanishing/exploding” gradienter, for å sikre stabil og effektiv læring
Generell kompetanse

Studenten kan

  • evaluere og sammenligne ulike avanserte dype RL-algoritmer og tilnærminger for å utvikle evnen til kritisk å vurdere styrken, begrensningene og avveiningene til ulike teknikker i ulike sammenhenger
  • gjennom presentasjoner effektivt kommunisere forståelse av avanserte dype RL-konsepter, dele innsikt og samarbeide om problemløsning og algoritmedesign i prosjekter
  • fremme et forskningsorientert tankesett og utforske og bidra til fremskritt innen avansert dyp forsterkende læring, foreslå innovative løsninger og gjennomføre eksperimenter for å flytte grensene for dyp RL.
Arbeids- og undervisningsformer

Emnet er gjennomført som en kombinasjon av forelesninger, praktiske øvelser, selvstudium og veiledning.

Obligatoriske aktiviteter
  • 2 individuelle oppgaver

Obligatoriske arbeidskrav som er bestått er kun gyldig i 12 måneder. Studenter som ønsker å ta opp eksamener etter 12 måneder, må bestå de obligatoriske arbeidskravene på nytt ved neste ordinære gjennomføring av emnet. 

Eksamen
VurderingsordningKarakterskalaGruppe/individuellVarighetHjelpemidlerAndelKommentar
Oppgave
ECTS - A-F
Individuell
100
Eksamen
  • 1 individuell prosjektbasert oppgave

Oppgaven vurderes med graderte bokstavkarakterer fra A-F, der E er laveste ståkarakter.

Studenten kan velge hvilket språk som benyttes i egen gjennomføring av eksamen. Valg er bokmål, nynorsk eller engelsk.

 

Tillatte hjelpemidler

  • Litteratur
  • Alle trykte og skrevne ressurser
  • Bruk av KI-generert tekst og innhold skal være avklart med faglærer, klart merket og akademisk begrunnet i besvarelsen

Pensum

Emnenavn på engelsk: 
Deep Reinforcement Learning & Neural Networks
Fakultet
Fakultet for film, TV og spill
Institutt
Institutt for spillutdanninger - Spillskolen
Fagområde
Matematisk-naturvitenskapelige fag/informatikk
Studieprogram
Bachelor i kunstig intelligens - utvikling og anvendelse
Emnenivå
Videregående emner, nivå II (200-LN)