문의를 보내주셔서 감사합니다! 팀원이 곧 연락드리겠습니다.
예약을 보내주셔서 감사합니다! 저희 팀 멤버 중 한 분이 곧 연락드리겠습니다.
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
회원 평가 (3)
강사는 인내심이 많고 매우 도움이 됩니다. 그는 해당 주제에 대해 잘 알고 있습니다.
CLIFFORD TABARES - Universal Leaf Philippines, Inc.
코스 - Agentic AI for Business Automation: Use Cases & Integration
기계 번역됨
지식과 실습의 좋은 조합
Ion Mironescu - Facultatea S.A.I.A.P.M.
코스 - Agentic AI for Enterprise Applications
기계 번역됨
이론과 실습, 고수준 관점과 저수준 관점의 혼합
Ion Mironescu - Facultatea S.A.I.A.P.M.
코스 - Autonomous Decision-Making with Agentic AI
기계 번역됨