프로젝트/방법론명:

강화 학습

유형:

프로젝트 및 방법론

개요:

강화 학습은 에이전트가 환경과 상호작용하며 보상을 최대화하는 행동을 학습하는 기계 학습의 한 분야입니다.

추진/개발 주체:

주로 인공지능 연구 기관 및 기업에서 개발되었습니다.

추진 시기:

1950년대부터 연구가 시작되어 1990년대 이후로 급격히 발전하였습니다.

적용 분야:

로봇공학, 게임 인공지능, 자율주행차, 금융 모델링 등 다양한 분야에 적용됩니다.

핵심 내용 및 구성:

강화 학습은 에이전트, 환경, 상태, 행동, 보상, 정책, 가치 함수 등으로 구성됩니다. 에이전트는 환경에서 상태를 관찰하고, 가능한 행동 중 하나를 선택하여 수행합니다. 이 과정에서 환경으로부터 보상을 받고, 이 보상을 최대화하는 방향으로 학습합니다. 정책은 주어진 상태에서 어떤 행동을 취할지를 결정하는 전략이며, 가치 함수는 특정 상태에서의 기대 보상을 나타냅니다. 강화 학습의 목표는 최적의 정책을 찾는 것입니다. 대표적인 알고리즘으로는 Q-러닝, SARSA, 딥 Q-네트워크(DQN) 등이 있습니다. 이러한 알고리즘은 다양한 문제에 적용되어 높은 성과를 보이고 있습니다.

성과 및 영향:

강화 학습은 알파고와 같은 게임 인공지능의 발전을 이끌었고, 자율주행차와 같은 실세계 문제 해결에도 기여하고 있습니다.

관련 사례:

구글 딥마인드의 알파고, 오픈AI의 게임 플레이 에이전트 등이 있습니다.

이칭(alias):

Reinforcement Learning, RL

참고 정보:

Sutton, R. S., & Barto, A. G. (2018). Reinforcement Learning: An Introduction. MIT Press.