Seminar
'Deep Learning for Games - Games for Deep Learning'
(SS 2017)

Seminartermine und Regeln

Überblick über alle Seminartermine und Spielregeln.

Vortragstermine

Überblick über alle Vortragstermine und Titel.

Themen

  1. Biologische Neuronen und neuronale Plastizität

    • Seminarteilnehmer sollen wissen, was ein Neuron ist und wie es arbeitet
    • Grundlegende Begriffe wie Synapse, Dendriten, Axon, Aktionspotential, exzitatorisches PSP und inhibitorisches PSP sollen vermittelt werden
    • Verschiedene Arten der Neuronalen Plastizität sollen vorgestellt werden
    Einstiegspunkte:


  2. Technische Neuronale Netze

    • Seminarteilnehmer sollen wissen, wie Neuronen und Neuronennetze im Computer modelliert werden können
    • Der Aufbau und die Funktionsweise eines Multi-Layer-Perzeptrons sollte vermittelt werden
    • Eine Intuition für die Arbeitsweise des Backpropagation Algorithmus sollte bei den Seminarteilnehmern geschaffen werden
    Einstiegspunkte:


  3. Visuelle System / Visuelle Cortex

    • Seminarteilnehmern sollte eine grobe Vorstellung davon vermittelt werden, wie das menschliche visuelle System funktioniert
    • Begriffe wie Simple/Complex Cells, Rezeptive Felder und On Center - Off Surround Cells sollten erläutert werden
    Einstiegspunkte:


  4. Convolutional Neural Networks (CNN)

    • Teilnehmer sollten den Aufbau eines CNN und die verschiedenen Schichtenarten kennen
    • Es soll eine Intuition vermittelt werden, wieso CNN so erfolgreich für Bildverarbeitungsaufgaben sind
    Einstiegspunkte:


  5. Reinforcement Learning

    • Seminarteilnehmer sollen den grundlegenden Unterschied des Reinforcement Learning zu anderen Lernansätzen wie das unüberwachte (unsupervised) und das überwachte (supervised) Lernen verstehen. Hierzu am besten konkrete Beispiele präsentieren.
    • Grundlegende Begriffe beim Reinforcement Learning wie z.B. das Temporal Difference Learning und Q-Learning sollen vermittelt werden
    • Es soll auch kurz auf entsprechende biologische Mechanismen des Verstärkungslernens eingegangen werden
    Einstiegspunkte:


  6. AlphaGo
    (Deep Learning for Games)

    • Seminarteilnehmer sollen eine grobe Vorstellung von dem Spiel Go haben.
    • Die Funktionsweise des Programms AlphaGo, das gegen den Profispieler Lee Sedol im März 2016 gewann, soll verständlich und anschaulich vermittelt werden.
    Einstiegspunkte:


  7. Playing Atari with Deep Reinforcement Learning
    (Deep Learning for Games)

    • Seminarteilnehmer sollen verstehen wie der Ansatz funktioniert, der es einer KI erlaubt, einfache Arcade Games wie Pong, Breakout oder Space Invaders automatisch zu erlernen.
    Einstiegspunkte:


  8. Human-level control through deep reinforcement learning
    (Deep Learning for Games)

    • Seminarteilnehmer sollen den im Paper beschriebenen Ansatz verstehen, der es einer KI erlaubt, 49 verschiedene Spiele zu erlernen.
    Einstiegspunkte (Quellen):


  9. Game Imitation
    (Deep Learning for Games)

    • Seminarteilnehmer sollen eine Vorstellung davon erhalten wie bei dem Ansatz im Paper mit Hilfe von Convolutional Neural Networks und Imitationslernen einem Computer beigebracht werden kann auch komplexe Spiele wie "Super Smash Bros." zu erlernen
    Einstiegspunkte:


  10. Playing FPS (First-person Shooter) Games with Deep Reinforcement Learning
    (Deep Learning for Games)

    • Seminarteilnehmer sollen verstehen wie bei diesem Ansatz neben der reinen Bildinformation auch Metainformation über nur teilweise sichtbare Objekte genutzt wurde, um das Training der KI zu beschleunigen.
    Einstiegspunkte:


  11. OpenAI Gym
    (Games for Deep Learning)

    • Seminarteilnehmer sollen verstehen was die OpenAI Gym Plattform ist und wie sie helfen soll, Machine Learning Algorithmen schneller entwickelbar und vergleichbarer zu machen.
    • Es wird eine Livedemonstration / Beispieldemonstration der Plattform erwartet.
    Einstiegspunkte:


  12. Virtuelle Welten für Deep Learning Algorithmen
    (Games for Deep Learning)

    • Den Seminarteilnehmern soll der real-to-world-cloning Ansatz aus dem Paper anschaulich vermittelt werden.
    Einstiegspunkte:


  13. DeepDriving: Learning Affordance for Direct Perception in Autonomous Driving
    (Games for Deep Learning)

    • Seminarteilnehmer sollen verstehen wie der im Paper dargestellte Ansatz zum autonomen Fahren funktioniert und wie hierbei virtuelle Welten zum Trainieren des Modells ausgenutzt wurden.
    Einstiegspunkte:


  14. Trainieren eines 3D Posenschätzers mit Hilfer gerenderter Posen
    (Games for Deep Learning)

    • Seminarteilnehmer sollen verstehen was man unter dem Problem der 3D Posenschätzung versteht und wie in dem aufgeführten Paper virtuelle Welten ausgenutzt wurden, um ein Deep Learning Verfahren zur 3D Posenschätzung zu trainieren.
    Einstiegspunkte:


  15. Microsofts Projekt Malmo
    (Games for Deep Learning)

    • Seminarteilnehmer sollen verstehen was es mit der Experimentierplatform Malmo auf sich hat und wie diese Plattform für Machine Learning eingesetzt werden kann.
    • Livedemonstration bzw. Beispieldemos werden erwartet.
    Einstiegspunkte: