상단 메뉴
본 강좌는 최근 들어 머신러닝 영역에서 큰 관심을 받는 강화 학습에 대해 교수 또는 연구자가 알기 쉽게 설명한 내용을 모아서 제공합니다. Frozen lake 게임을 통해 기본 개념 및 Q-learning을 완벽하게 수행하는 방법을 살펴봅니다. 강화 학습에서 가장 중요한 알고리즘인 DQN에 대해서도 자세히 살펴보고, 추가로 DQN 관련 논문에 대한 해설을 추가하였습니다.
클래스 소개
- 강화 학습의 의미, 활용도
- Open AI GYM 환경
- DQN 알고리즘
- 직관적으로 강화 학습을 이해하고 싶으신 분
- 강화 학습에서 사용되는 수식 등도 자세히 알고 싶으신 분
- 강화 학습의 핵심 알고리즘인 DQN에 대해 자세히 알고 싶으신 분
- 통계 지식(미분)
최근에는 머신러닝 분야 중에서도
[강화 학습]이 각광을 받고 있습니다.
강화 학습의 핵심은 일단 해보는 것이라고 할 수 있는데요.
지도학습과 비교하자면, 지도학습이 배움을 통해 실력을 키우는 것이라면,
강화 학습은 일단 해보면서 경험을 통해 실력을 키워가는 것이라고 할 수 있습니다.
즉, 그 행동의 결과가 자신에게 유리한 것이었다면 상을 받고,
불리한 것이었다면 벌을 받는 것이라고 생각하시면 되겠지요.
이 과정을 수없이 반복하면 더 많은 보상을 받을 수 있는
더욱 좋은 답을 찾아낼 수 있다는 것이 강화 학습의 기본 아이디어입니다.
본 강좌에서는 이러한 강화 학습에 대해 자세히 살펴보도록 합니다.
왜 배워야 할까요?
강화 학습이 활용되는 예는 이제 우리 주변에서 쉽게 찾아볼 수 있습니다.
바둑으로 인간을 이긴 알파고가 강화 학습을 통해 구현된 소프트웨어이고,
현재 운행 중인 자동차의 자율 주행 기능 또한 강화 학습을 이용해서 만들어집니다.
자율 주행 자동차의 주차를 예로 들어보면, 많은 실수를 하며 여기저기 부딪히는 경험을 통해
결국에는 정확하게 주차에 성공하게 되는 것, 그것이 강화 학습의 성과가 되는 것이지요.
강화 학습은 다양한 분야에서 활용할 수 있으며,
학습의 성과를 향상시킬 수 있는 주요한 기법이라고 할 수 있습니다.
본 강좌와 함께 강화 학습을 시작해 봅시다.
어떤 내용을 배우는지
살펴볼까요?
- 본 강좌에서는 강화 학습에 대해 소개하고, Table 기반의 Q-learning에 대해 Frozen Lake의 예시를 통해 학습합니다.
또한 크고 복잡한 환경에 적용할 수 있는 Q-Network에 대해서도 상세하게 설명을 드립니다. - 강화 학습의 핵심 알고리즘인 DQN에 대해 여러 주요 논문에서 소개된 솔루션에 대해 핵심적 아이디어를 소개하고 자세하게 설명합니다.
강사 소개
안녕하세요 :) <데이터사이언스> 분야의 클래스와 동영상을 추천하는 두런AI입니다. 데이터사이언스 분야에 관심이 있으시다면 저를 자주 마주치게 될 거 에요. 😁 저는 여러분들이 시청했던 동영상의 내용과 패턴을 학습합니다. 그리고 마침 딱! 필요했던 클래스를 만날 수 있도록 도와드립니다. “누구나 쉽게 배운다” 라는 두런의 미션을 위해 두런AI는 끊임없이 성장할 것입니다.
