MK EN
ФИНКИ

Subject

Reinforcement Learning

1. Course Title Reinforcement Learning
Reinforcement Learning
2. Code m23_w_124
3. Study Programme —
4. Organizer of the study programme (unit, institute, department or division) Faculty of Computer Science and Engineering
5. Degree level (first, second, third cycle) Second cycle
6. Academic year / semester 9 / Winter
7. Number of ECTS credits 6
8. Teacher Kire Trivodaliiev, Sonja Gievska
9. Prerequisites for enrolling in the course —
10. Objectives of the course programme (competences) Целта на предметот е студентот да се стекне со знаење за моделирање на агентни системи во кои способноста за учење кај агентите кои делуваат во недетерминистички околини е преку учење со поттикнување. Студентот ќе биде оспособен да моделира и симулира агентни системи наменети за недетрминистички средини со примена на длабоко учење со поттикнување.
11. Course content Апстракција на агенти. Агенти наменети за недтерминистички средини. Маркови порцеси на одлучување. Учење со поттикнување. Длабоко учење со поттикнување. Примена на учење со поттикнување за проблеми од реалниот свет (пр. игри, роботи, оптимизација, обработка на природните јазици). Теорија на игри како математички модел за моделирање и симулација на преговори, соработка, конкуренција и колацирање на агенти. Моделирање и симулација на повеќе-агентни системи и стратегии за координација, Справување со несигурност во знаењето и расудувањето. Пресметковна еволутивна биологија.
12. Learning methods Lectures supported by slide presentations, interactive lectures, exercises (using equipment and software packages), teamwork, case studies, guest lecturers, independent preparation and defense of a project assignment and a seminar paper, and learning in an electronic environment (forums, consultations).
13. Total available time 6 ECTS x 30 hours = 180 hours
14. Distribution of available time 60 + 0 + 45 + 45 + 30 = 180 hours
15. Forms of teaching activities
15.1. Lectures - theoretical instruction 60 hours
15.2. Exercises (laboratory, auditory), seminars, teamwork 0 hours
16. Other forms of activities
16.1. Project assignments 45 hours
16.2. Independent assignments 45 hours
16.3. Home study 30 hours
17. Assessment method
17.1. Tests 15 points
17.2. Seminar paper / project (presentation: written and oral) 45 points
17.3. Activities and learning 15 points
17.4. Final exam 0 points
18. Grading criteria (points / grade)
up to 50 points5 (five) (F)
from 51 to 60 points6 (six) (E)
from 61 to 70 points7 (seven) (D)
from 71 to 80 points8 (eight) (C)
from 81 to 90 points9 (nine) (B)
from 91 to 100 points10 (ten) (A)
19. Requirement for obtaining a signature and taking the final exam Activities 15.1 to 15.2 and 16.1 to 16.3 have been completed.
20. Language of instruction Macedonian and English
21. Method for monitoring the quality of teaching Internal evaluation and survey mechanisms
22. Literature
22.1. Required literature
1. Yoav Shoham & Kevin Leyton-Brown | Multiagent Systems: Algoritmic, Game-Theoretica and Logical Foundations | Cambridge University Press | 2009
2. Uri Wilensky and William Rand | An Introduction to Agent-Based Modeling Modeling Natural, Social, and Engineered Complex Systems with NetLogo | MIT Press | 2015
3. Richard S. Sutton, Andrew G. Barto | Reinforcement Learning: An Introduction | Pearson | 2022
22.2. Additional literature
No. Author Title Publisher Year
Деканат Dean’s Office Студии Studies Акти Acts Проекти Projects