연락처 정보

코스 개요

강화학습 개요

  • 강화학습의 기본 개념 및 활용 분야 소개
  • 지도학습, 비지도학습과 강화학습 간의 차이점 설명
  • 에이전트, 환경, 보상, 정책 등 핵심 개념 설명

마르코프 결정 과정(MDP)

  • 상태, 행동, 보상 및 상태 전이에 대한 이해
  • 가치 함수와 벨만 방정식 설명
  • MDP 문제 해결을 위한 동적 계획법 설명

주요 강화학습 알고리즘

  • 테이블 기반 방법: Q-Learning 및 SARSA 소개
  • 정책 기반 방법: REINFORCE 알고리즘 설명
  • 액터-크ritic 프레임워크와 그 활용 사례 안내

딥 강화학습

  • 딥 Q-네트워크(DQN)의 개념 소개
  • 경험 리플레이 및 타겟 네트워크 설명
  • 정책 경사법과 고급 딥 강화학습 기법 안내

강화학습 프레임워크와 도구

  • OpenAI Gym 및 기타 강화학습 환경 소개
  • PyTorch 또는 TensorFlow를 활용한 강화학습 모델 개발 방법 안내
  • 강화학습 에이전트의 훈련, 테스트 및 성능 평가 기법 설명

강화학습에서 발생하는 난제들

  • 학습 과정에서 탐색과 활용 간의 적절한 균형 유지 방법
  • 보상이 희소하거나 공로 할당이 어려운 상황에 대한 대처법 설명
  • 강화학습에서 겪게 되는 확장성 및 연산상의 한계와 그 해결 방안 제시

실습 활동

  • Q-Learning과 SARSA 알고리즘을 처음부터 직접 구현해보기
  • OpenAI Gym 환경에서 간단한 게임을 플레이하도록 DQN 기반 에이전트 훈련시키기
  • 사용자 정의 환경에 맞춰 강화학습 모델을 세부 조정해 성능 향상 시켜보기

요약 및 학습 이후 활동 안내

요건

  • 머신러닝의 기본 원리 및 알고리즘에 대한 탄탄한 이해
  • Python 프로그래밍 능력이 우수해야 합니다.
  • 신경망 및 딥러닝 프레임워크에 대한 기초 지식이 필요합니다.

대상 수강생

  • 머신러닝 엔지니어
  • AI 전문가
 14 시간

참가자 수


참가자별 가격

예정된 코스

관련 카테고리