HB의 개발 블로그

강화학습이란?에이전트(Agent)가 환경(Environment)와 상호작용하면서 보상(Reward)를 극대화하는 행동 전략을 학습하는 과정 0. 탐험과 탐사강화학습을 공부하다 보면 자주 듣게 되는 용어가 있습니다. 바로 탐험(Exploration)과 탐사(Exploitation) (간혹, 이용이나 착취 등과 같은 용어로 표현되기도 합니다) 입니다. 이 두 개념은 강화학습의 핵심 원리 중 하나로, 에이전트가 어떻게 행동을 선택해야 최적의 성능을 낼 수 있을까?라는 질문에 직결되는 개념입니다. 이번 글에서는 이 두 개념이 무엇이고, 왜 균형이 중요한지 공부한 내용을 쉽게 설명해보고자 합니다. 강화학습에서 에이전트(Agent)는 환경 속에서 행동을 선택하고, 그 행동에 따라 보상을 받아 학습합니다. 이때 어떤..

강화학습이란?에이전트(Agent)가 환경(Environment)와 상호작용하면서 보상(Reward)를 극대화하는 행동 전략을 학습하는 과정 0. 한눈에 비교하기: 가치 기반 vs 정책 기반구분가치 기반정책 기반학습 대상가치 함수(Value Function) 학습정책 함수(Policy Function) 학습행동 선택 방식가치가 가장 높은 행동 선택학습된 정책에 따라 행동 선택적용 환경불연속적 행동 공간연속적 행동 공간학습 안정성비교적 안정적다소 불안정할 수 있음대표 알고리즘Q-Learning, DQNPolicy Gradient, PPO 환경과 문제에 따라 적절한 학습법이 필요간단한 게임같은 환경이라면 가치 기반 방식으로 빠르게 학습이 가능로봇 제어처럼 행동이 연속적인 경우, 정책 기반 학습이 더 유리 1...

강화학습이란?에이전트(Agent)가 환경(Environment)와 상호작용하면서 보상(Reward)를 극대화하는 행동 전략을 학습하는 과정 1. 강화 학습의 핵심 구성 요소1. 에이전트(Agent): 학습을 수행하는 주체, 주어진 환경에서 최적의 행동을 찾기 위해 노력2. 환경(Environment): 에이전트가 상호작용하는 외부세계3. 상태(State): 에이전트가 환경에서 인식하는 정보의 집합, 현재 처한 상황4. 행동(Action): 에이전트가 선택할 수 있는 다양한 옵션, 동작5. 보상(Reward): 에이전트가 특정 행동을 취했을 때 환경으로부터 받는 피드백, 점수6. 정책(Policy): 상태에 따른 행동 선택 전략7. 에피소드(Episode): 시작~종료까지의 학습 단위2. 강화 학습 핵심 ..