Q-Learning과 TD 학습

1 / 19

100%

모델 프리(Model-Free) 강화학습은 환경의 전이 확률 P(s'|s,a)와 보상 함수 R을 모르는 상태에서 최적 정책을 학습하는 방법입니다.DP vs 모델 프리:DP (Dynamic Programming): P(s'|s,a)와 R을 정확히 알아야 함 → 기대값을 직접 계산모델 프리: 환경과 실제로 상호작용하며 (s, a, r, s') 경험을 수집하여 학습왜 모델 프리가 필요한가?1. 대부분의 실제 문제에서 전이 확률을 모름 (로봇, 게임, 금융)2. 환경이 너무 복잡해서 모델을 만들기 어려움3. 환경이 동적으로 변할 수 있음모델 프리 학습의 두 축:몬테카를로(MC): 에피소드 끝까지 진행한 후 실제 리턴으로 학습시간차(TD): 한 스텝만 보고 즉시 업데이트 (부트스트래핑)핵심 전환:DP의 Σ_{s'} P(s'|s,a)·[...] → MC/TD의 실제 경험 샘플 (s, a, r, s')로 대체

0:00 / 2:49

이런 분들이 찾고 있어요

이 레슨과 관련된 학습 키워드

CS/AI 전공 대학생

강화학습 기말고사MDP 벨만 방정식Q-learning 정리강화학습 과제

비전공/입문자

강화학습이란강화학습 입문Q-learning 쉽게

취준생

강화학습 면접RL 프로젝트 아이디어

직장인

추천 시스템 RL강화학습 실무 적용

대학원생/연구자

PPO 논문offline RL 서베이model-based RL

AI 교육 플랫폼

AI 교육 플랫폼 추천AI 강의 사이트머신러닝 온라인 강의딥러닝 강의 추천

AI 독학/로드맵

AI 독학 방법머신러닝 공부 순서딥러닝 로드맵머신러닝 독학 로드맵

AI 취업/커리어

AI 취업 준비데이터 사이언티스트 강의ML 엔지니어 준비AI 면접 준비