Die quantitative Analyse strategischer Fragestellungen unter Einsatz spieltheoretischer Konzepte kann dabei helfen, ein tieferes Verständnis für das Verhalten der jeweiligen Akteure zu entwickeln und somit überlegene Entscheidungen zu treffen.
Insbesondere können diese Entscheidungen durch den Einsatz von nicht-algorithmischen Programmen bestimmt werden, die durch Machine Learning trainiert wurden. Als junges und spannendes Forschungsfeld hat sich folglich Reinforcement Learning als Teil von Machine Learning als ein state-of-the-art Lösungsansatz für komplexer spieltheoretische Berechnungen herauskristallisiert.
Im Rahmen dieser Bachelorthesis soll ein Überblick über den aktuellen Stand der Wissenschaft zu Reinforcement Learning für Spieltheorie gegeben werden. Wesentliche Bestandteile dieser Arbeit sind
- Auswertung aktueller Literatur zu Reinforcement Learning mit für spieltheoretische Probleme
- Bewertung verschiedener Ansätze in Hinblick auf eine Eignung für sequentielle Spiele
Was erwartet Sie:
- Praxisbezogene aktuelle Forschung
- Intensive inhaltliche Betreuung durch Mitarbeiter und Professor
Was bringen Sie mit:
- Selbstständige Arbeitsweise und Eigeninitiative
- Ausgeprägte analytische Fähigkeiten
- Informatische oder spieltheoretische Grundkenntnisse von Vorteil, aber kein Muss
Bei Interesse melden Sie sich gerne für ein unverbindliches Vorgespräch bei Herrn Müller (f.mueller@kit.edu).
