문의를 보내주셔서 감사합니다! 팀원이 곧 연락드리겠습니다.
예약을 보내주셔서 감사합니다! 저희 팀 멤버 중 한 분이 곧 연락드리겠습니다.
코스 개요
강화 학습과 에이전틱 AI 소개
- 불확실성 하의 의사결정 및 순차적 계획
- RL의 핵심 구성 요소: 에이전트, 환경, 상태, 보상
- 적응형 및 에이전틱 AI 시스템에서 RL의 역할
마코프 의사결정 과정(MDPs)
- MDP의 정식 정의 및 특성
- 가치 함수, 벨만 방정식, 동적 프로그래밍
- 정책 평가, 개선, 반복
모델 프리(MODEL-FREE) 강화 학습
- 몬테카를로 및 시간차(Temporal-Difference, TD) 학습
- Q-learning과 SARSA
- 실습: Python으로 표적형 RL 메서드 구현
딥 강화 학습
- 함수 근사를 위해 신경망과 RL 결합
- 딥 Q-네트워크(DQN) 및 경험 재사용(Experience Replay)
- 액터-크리틱 아키텍처 및 정책 경사
- 실습: Stable-Baselines3을 사용하여 DQN 및 PPO로 에이전트 학습
탐색 전략 및 보상 shaping
- 탐색과 활용 간 균형 맞추기 (ε-greedy, UCB, 엔트로피 기법)
- 보상 함수 설계 및 의도하지 않은 행동 방지
- 보상 shaping 및 커리큘럼 학습
RL 및 의사결정 고급 주제
- 다중 에이전트 강화 학습 및 협력 전략
- 계층형 강화 학습 및 옵션 프레임워크
- 더 안전한 배포를 위한 오프라인 RL 및 모방 학습
시뮬레이션 환경 및 평가
- OpenAI Gym 및 맞춤형 환경 사용
- 연속형 vs 이산형 액션 공간
- 에이전트 성능, 안정성, 샘플 효율성에 대한 메트릭
에이전틱 AI 시스템에 RL 통합
- 하이브리드 에이전트 아키텍처에서 추론과 RL 결합
- 도구 사용 에이전트와 강화 학습 통합
- 확장 및 배포를 위한 운영 고려 사항
캡스톤 프로젝트
- 시뮬레이션 작업을 위한 강화 학습 에이전트 설계 및 구현
- 학습 성능 분석 및 하이퍼파라미터 최적화
- 에이전틱 맥락에서의 적응형 동작 및 의사결정 시연
요약 및 다음 단계
요건
- Python 프로그래밍에 대한 높은 숙련도
- 머신러닝 및 딥러닝 개념에 대한 견고한 이해
- 선형 대수, 확률, 기본적인 최적화 방법에 대한 익숙함
대상 수강생
- 강화 학습 엔지니어 및 응용 AI 연구자
- 로봇공학 및 자동화 개발자
- 적응형 및 에이전틱 AI 시스템을 개발하는 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
