연락처 정보

코스 개요

강화학습과 에이전트형 AI 소개

  • 불확실성 하에서의 의사결정 및 순차적 계획 수립
  • 강화학습의 주요 구성 요소: 에이전트, 환경, 상태, 보상
  • 적응형 및 에이전트형 AI 시스템에서 강화학습의 역할

마르코프 결정 과정(MDP)

  • MDP의 공식적 정의 및 특성
  • 가치 함수, 벨만 방정식, 그리고 동적 계획법
  • 정책 평가와 개선, 그리고 반복 과정

모델 없는 강화학습

  • 몬테카를로 방법과 시계열 차이(TD) 학습
  • Q-러닝 및 SARSA 알고리즘
  • 실습: Python을 이용한 표형 RL 기법 구현 연습

딥 강화학습

  • 함수 근사를 위해 신경망을 강화학습에 결합하는 방법
  • 딥 Q-네트워크(DQN)와 경험 재활용 기법
  • 액터-크리틱 아키텍처 및 정책 경사하강법
  • 실습: Stable-Baselines3를 이용해 DQN과 PPO 기반 에이전트 훈련하기

탐색 전략 및 보상 설계

  • 탐색과 이용의 균형 유지 기법: ε-그리디, UCB, 엔트로피 방법 등
  • 바람직하지 않은 행동을 방지하기 위한 보상 함수 설계
  • 보상 조정 기법 및 커리큘럼 학습 방법

강화학습 및 의사결정 관련 고급 주제

  • 다중 에이전트 환경에서의 강화학습과 협력적 전략
  • 계층적 강화학습 및 옵션 프레임워크 활용법
  • 보다 안전한 환경 배포를 위한 오프라인 RL과 모방 학습 방법

시뮬레이션 환경 및 성능 평가

  • OpenAI Gym 활용법 및 맞춤형 환경 개발 방식
  • 연속적 행동 공간과 이산적 행동 공간의 특성 비교
  • 에이전트 성능, 안정성 및 학습 효율성을 측정하는 지표들

강화학습의 에이전트형 AI 시스템 통합 방안

  • 추론 기능과 강화학습을 결합한 하이브리드 에이전트 아키텍처 구현법
  • 도구 활용형 에이전트에 강화학습을 적용하는 방법
  • 확장성과 실제 배포 시 고려해야 할 운영상의 요소들

종합 프로젝트

  • 시뮬레이션 과제 수행을 위한 강화학습 에이전트 설계 및 구현
  • 훈련 성과 분석 및 하이퍼파라미터 최적화 방법
  • 에이전트형 환경 내에서의 적응적 행동 및 의사결정 능력 입증

요약 및 향후 학습 방향

요건

  • Python 프로그래밍에 대한 탁월한 숙련도
  • 머신러닝 및 딥러닝 개념에 대한 충분한 이해
  • 선형대수, 확률론 및 기초 최적화 방법에 대한 지식

대상 청중

  • 강화학습 엔지니어 및 응용 AI 연구자
  • 로보틱스 및 자동화 시스템 개발자
  • 적응형 및 에이전트형 AI 시스템 개발에 관여하는 엔지니어링 팀
 28 시간

참가자 수


참가자별 가격

회원 평가 (3)

예정된 코스

관련 카테고리