강화학습

Ⅰ. 행동에 따른 보상으로 모델 학습, 강화학습의 개요

가. 강화학습의 정의

- 주어진 환경에서 정의된 에이전트가 현재 상태를 인식하여 선택 가능한 행동들 중 보상을 최대화하는 행동을 선택하도록 학습하는 기계학습의 한 방법

 

나. 강화학습의 특징

순차적 의사결정 문제	- 데이터의 관측 순서가 결과에 영향을 미침
환경과 상호작용	- 비용 증가에 따라 인프라 증설이 필요한 경우 장비 추가로 확장

 

Ⅱ. 강화학습의 개념도 및 주요 기법

가. 강화학습의 개념도

- 에이전트가 행동을 취하고 이에 따른 보상을 최대화하는 정책 학습

 

나. 강화학습의 주요 기법

구분	기법	설명
Model Free	MDP (Markov Decision Process)	- 의사결정 과정을 확률과 그래프를 이용한 기법 - 상태, 상태전이 확률밀도함수, 행동, 보상함수 4요소 활용
	Markov Chain	- MDP에서 액션과 상태가 없다고 가정하고 시간에 따른 상태 변화 측정 기법
	Q-Learning	- Q 함수는 어떤 상태에서 행동을 취할 때 미래에 예상되는 전체 보상의 최대값으로 이를 최대화하는 방향으로 학습하는 기법
Model Based	DQN (Deep Q Network)	- 딥러닝과 강화학습의 Q-Learning을 조합한 기법 -

 

Ⅲ. 강화학습 활용 분야

분야	설명
게임	- 가상 환경의 지능형 캐릭터
자율주행	- 주변 환경 인식 및 판단을 통한 실시간 자율 주행
로봇제어	- 실환경에서 작동 및 제어되는 로봇 학습
금융	- 금융, 경제지표 분석을 통한 수익 극대화