본문 바로가기

리디북스 접속이 원활하지 않습니다.
강제 새로 고침(Ctrl + F5)이나 브라우저 캐시 삭제를 진행해주세요.
계속해서 문제가 발생한다면 리디북스 접속 테스트를 통해 원인을 파악하고 대응 방법을 안내드리겠습니다.
테스트 페이지로 이동하기


단단한 강화학습 상세페이지

컴퓨터/IT 컴퓨터/앱 활용

단단한 강화학습

강화학습 기본 개념을 제대로 정리한 인공지능 교과서

구매종이책 정가35,000
전자책 정가24,500(30%)
판매가22,050(10%)

혜택 기간: 09.17.(목)~10.07.(수)

단단한 강화학습

책 소개

<단단한 강화학습> 내용을 대폭 보강하여 20년 만에 개정된 강화학습 분야의 절대 바이블!

인공지능 분야에서 가장 활발하게 연구되고 있는 분야 중 하나인 강화학습은 복잡하고 불확실한 환경과 상호작용하는 학습자에게 주어지는 보상을 최대화하는 수치 계산적 학습 방법이다. 리처드 서튼과 앤드류 바르토는 이 책 『단단한 강화학습』을 통해 강화학습의 핵심적인 개념과 알고리즘을 분명하고 이해하기 쉽게 설명한다. 1판이 출간된 이후 새롭게 부각된 주제들을 추가하였고, 이미 다루었던 주제들도 최신 내용으로 업데이트하였다.


출판사 서평

내용을 대폭 보강하여 20년 만에 개정된 강화학습 분야의 절대 바이블!
강화학습의 핵심 개념과 최신 알고리즘을 쉽고 명료하게 이해한다!

인공지능 분야에서 가장 활발하게 연구되고 있는 분야 중 하나인 강화학습은 복잡하고 불확실한 환경과 상호작용하는 학습자에게 주어지는 보상을 최대화하는 수치 계산적 학습 방법이다. 리처드 서튼과 앤드류 바르토는 이 책 『단단한 강화학습』을 통해 강화학습의 핵심적인 개념과 알고리즘을 분명하고 이해하기 쉽게 설명한다. 1판이 출간된 이후 새롭게 부각된 주제들을 추가하였고, 이미 다루었던 주제들도 최신 내용으로 업데이트하였다.

1판과 마찬가지로 2판에서도 핵심적인 온라인 학습 알고리즘을 집중적으로 다루었는데, 보다 많은 수학적 내용을 별도의 글 상자 안에 추가하였다. 이 책은 크게 다음과 같은 세 부분으로 나누어진다.

■ 첫 번째 부분에서는 정확한 해법을 찾을 수 있는 표 기반 방법만을 적용하여 가능한 한 많은 강화학습 방법을 다루었다. 첫 번째 부분에 제시되는 많은 알고리즘은 2판에서 새롭게 추가된 것인데, 여기에는 UCB, 기댓값 살사, 이중 학습이 포함된다.
■ 두 번째 부분에서는 인공 신경망이나 푸리에 기반과 같은 주제를 다루는 절이 새롭게 추가되면서 첫 번째 부분에서 제시된 방법들이 함수 근사 기반의 방법으로 확장되었고, 비활성 정책 학습과 정책 경사도 방법에 대한 내용이 더욱 풍부해졌다.
■ 세 번째 부분에서는 강화학습이 심리학 및 신경 과학과 어떤 관계인지를 다루는 새로운 장들이 추가되었고, 알파고와 알파고 제로, 아타리 게임, IBM 왓슨의 내기 전략과 같은 사례 연구를 다루는 장이 업데이트되었다. 마지막 장에서는 강화학습이 미래 사회에 미칠 영향에 대해 논의하였다.


저자 프로필

리처드 서튼 Richard S. Sutton

  • 경력 앨버타 대학교 컴퓨터 과학과 교수, AITF(Alberta Innovates Technology Future) 의장

2020.09.07. 업데이트 작가 프로필 수정 요청

앨버타 대학교의 컴퓨터 과학과 교수이자 같은 대학에서 강화학습 및 인공지능 분과의 AITF(Alberta Innovates Technology Future) 의장을 맡고 있다. 또한, 딥마인드의 우수 과학자(Distinguished Research Scientist)이기도 하다.


저자 소개

저 : 리처드 서튼 (Richard S. Sutton)
앨버타 대학교의 컴퓨터 과학과 교수이자 같은 대학에서 강화학습 및 인공지능 분과의 AITF(Alberta Innovates Technology Future) 의장을 맡고 있다. 또한, 딥마인드의 우수 과학자(Distinguished Research Scientist)이기도 하다.

저 : 앤드류 바르토 (Andrew G. Barto)
매사추세츠 대학교 애머스트 캠퍼스의 컴퓨터 및 정보과학 대학에서 명예 교수로 재직 중이다.

역 : 김성우
인공위성 제어에 지도학습을 적용한 연구로 박사학위를 받았다. 지금은 인공위성 개발 업체에서 위성 충돌 회피 및 위성 영상 분석을 위한 기계학습 방법을 연구하고 있다.

목차

CHAPTER 01 소개
1.1 강화학습
1.2 예제
1.3 강화학습의 구성 요소
1.4 한계와 범위
1.5 확장된 예제: 틱택토
1.6 요약
1.7 강화학습의 초기 역사
참고문헌

PART I 표 형태의 해법
CHAPTER 02 다중 선택
2.1 다중 선택 문제
2.2 행동 가치 방법
2.3 10중 선택 테스트
2.4 점증적 구현
2.5 비정상 문제의 흔적
2.6 긍정적 초깃값
2.7 신뢰 상한 행동 선택
2.8 경사도 다중 선택 알고리즘
2.9 연관 탐색(맥락적 다중 선택)
2.10 요약
참고문헌 및 역사적 사실

CHAPTER 03 유한 마르코프 결정 과정
3.1 에이전트-환경 인터페이스
3.2 목표와 보상
3.3 보상과 에피소드
3.4 에피소딕 작업과 연속적인 작업을 위한 통합 표기법
3.5 정책과 가치 함수
3.6 최적 정책과 최적 가치 함수
3.7 최적성과 근사
3.8 요약
참고문헌 및 역사적 사실

CHAPTER 04 동적 프로그래밍
4.1 정책 평가(예측)
4.2 정책 향상
4.3 정책 반복
4.4 가치 반복
4.5 비동기 동적 프로그래밍
4.6 일반화된 정책 반복
4.7 동적 프로그래밍의 효율성
4.8 요약
참고문헌 및 역사적 사실

CHAPTER 05 몬테카를로 방법
5.1 몬테카를로 예측
5.2 몬테카를로 행동 가치 추정
5.3 몬테카를로 제어
5.4 시작 탐험 없는 몬테카를로 제어
5.5 중요도추출법을 통한 비활성 정책 예측
5.6 점증적 구현
5.7 비활성 몬테카를로 제어
5.8 할인을 고려한 중요도추출법
5.9 결정 단계별 중요도추출법
5.10 요약
참고문헌 및 역사적 사실

CHAPTER 06 시간차 학습
6.1 TD 예측
6.2 TD 예측 방법의 좋은점
6.3 TD(0)의 최적성
6.4 살사: 활성 정책 TD 제어
6.5 Q 학습: 비활성 정책 TD 제어
6.6 기댓값 살사
6.7 최대화 편차 및 이중 학습
6.8 게임, 이후상태, 그 밖의 특별한 경우들
6.9 요약
참고문헌 및 역사적 사실

CHAPTER 07 n단계 부트스트랩
7.1 n단계 TD 예측
7.2 n단계 살사
7.3 n단계 비활성 정책 학습
7.4 제어 변수가 있는 결정 단계별 방법
7.5 중요도추출법을 사용하지 않는 비활성 정책 학습: n단계 트리 보강 알고리즘
7.6 통합 알고리즘: n단계 Q(σ)
7.7 요약
참고문헌 및 역사적 사실

CHAPTER 08 표에 기반한 방법을 이용한 계획 및 학습
8.1 모델과 계획
8.2 다이나: 계획, 행동, 학습의 통합
8.3 모델이 틀렸을 때
8.4 우선순위가 있는 일괄처리
8.5 기댓값 갱신 대 표본 갱신
8.6 궤적 표본추출
8.7 실시간 동적 프로그래밍
8.8 결정 시점에서의 계획
8.9 경험적 탐색
8.10 주사위 던지기 알고리즘
8.11 몬테카를로 트리 탐색
8.12 요약
8.13 1부 요약: 차원
참고문헌 및 역사적 사실

PART II 근사적 해법
CHAPTER 09 근사를 이용한 활성 정책 예측
9.1 가치 함수 근사
9.2 예측 목적(VE)
9.3 확률론적 경사도와 준경사도 방법
9.4 선형 방법
9.5 선형 방법을 위한 특징 만들기
9.6 시간 간격 파라미터를 수동으로 선택하기
9.7 비선형 함수 근사: 인공 신경망
9.8 최소 제곱 TD
9.9 메모리 기반 함수 근사
9.10 커널 기반 함수 근사
9.11 활성 정책 학습에 대한 보다 깊은 관찰: 관심과 강조
9.12 요약
참고문헌 및 역사적 사실

CHAPTER 10 근사를 적용한 활성 정책 제어
10.1 에피소딕 준경사도 제어
10.2 준경사도 n단계 살사
10.3 평균 보상: 연속적 작업을 위한 새로운 문제 설정
10.4 할인된 설정에 대한 반대
10.5 미분 준경사도 n단계 살사
10.6 요약
참고문헌 및 역사적 사실

CHAPTER 11 근사를 활용한 비활성 정책 방법
11.1 준경사도 방법
11.2 비활성 정책 발산의 예제
11.3 치명적인 삼위일체
11.4 선형 가치 함수 기하 구조
11.5 벨만 오차에서의 경사도 강하
11.6 벨만 오차는 학습할 수 없다
11.7 경사도 TD 방법
11.8 강한 TD 방법
11.9 분산 줄이기
11.10 요약
참고문헌 및 역사적 사실

CHAPTER 12 적격 흔적
12.1 λ 이득
12.2 TD(λ)
12.3 중단된 n단계 λ 이득 방법
12.4 다시 갱신하기: 온라인 λ 이득 알고리즘
12.5 진정한 온라인 TD(λ)
12.6 몬테카를로 학습에서의 더치 흔적
12.7 살사(λ)
12.8 가변 λ 및 γ
12.9 제어 변수가 있는 비활성 정책 흔적
12.10 왓킨스의 Q(λ)에서 트리 보강(λ)로
12.11 흔적을 이용한 안정적인 비활성 정책 방법
12.12 구현 이슈
12.13 결론
참고문헌 및 역사적 사실

CHAPTER 13 정책 경사도 방법
13.1 정책 근사 및 정책 근사의 장점
13.2 정책 경사도 정리
13.3 REINFORCE: 몬테카를로 정책 경사도
13.4 기준값이 있는 REINFORCE
13.5 행동자-비평자 방법
13.6 연속적인 문제에 대한 정책 경사도
13.7 연속적 행동을 위한 정책 파라미터화
13.8 요약
참고문헌 및 역사적 사실

PART III 더 깊이 들여다보기
CHAPTER 14 심리학
14.1 예측과 제어
14.2 고전적 조건화
14.3 도구적 조건화
14.4 지연된 강화
14.5 인지 지도
14.6 습관적 행동과 목표 지향적 행동
14.7 요약
참고문헌 및 역사적 사실

CHAPTER 15 신경과학
15.1 신경과학 기본
15.2 보상 신호, 강화 신호, 가치, 예측 오차
15.3 보상 예측 오차 가설
15.4 도파민
15.5 보상 예측 오차 가설에 대한 실험적 근거
15.6 TD 오차/도파민 유사성
15.7 신경 행동자-비평자
15.8 행동자와 비평자 학습 규칙
15.9 쾌락주의 뉴런
15.10 집단적 강화학습
15.11 뇌에서의 모델 기반 방법
15.12 중독
15.13 요약
참고문헌 및 역사적 사실

CHAPTER 16 적용 및 사례 연구
16.1 TD-가몬
16.2 사무엘의 체커 선수
16.3 왓슨의 이중 내기
16.4 메모리 제어 최적화
16.5 인간 수준의 비디오 게임 실력
16.6 바둑 게임에 통달하다
16.7 개인화된 웹 서비스
16.8 열 상승
CHAPTER 17 프론티어

17.1 일반적인 가치 함수 및 보조 작업
17.2 옵션을 통한 시간적 추상화
17.3 관측과 상태
17.4 보상 신호의 설계
17.5 남아 있는 이슈들
17.6 인공지능의 미래
참고문헌 및 역사적 사실

참고문헌
찾아보기


리뷰

구매자 별점

0.0

점수비율

  • 5
  • 4
  • 3
  • 2
  • 1

0명이 평가함

리뷰 작성 영역

이 책을 평가해주세요!

내가 남긴 별점 0.0

별로예요

그저 그래요

보통이에요

좋아요

최고예요

별점 취소

구매자 표시 기준은 무엇인가요?

'구매자' 표시는 리디북스에서 유료도서 결제 후 다운로드 하시거나 리디셀렉트 도서를 다운로드하신 경우에만 표시됩니다.

무료 도서 (프로모션 등으로 무료로 전환된 도서 포함)
'구매자'로 표시되지 않습니다.
시리즈 도서 내 무료 도서
'구매자’로 표시되지 않습니다. 하지만 같은 시리즈의 유료 도서를 결제한 뒤 리뷰를 수정하거나 재등록하면 '구매자'로 표시됩니다.
영구 삭제
도서를 영구 삭제해도 ‘구매자’ 표시는 남아있습니다.
결제 취소
‘구매자’ 표시가 자동으로 사라집니다.

이 책과 함께 구매한 책


이 책과 함께 둘러본 책



본문 끝 최상단으로 돌아가기

spinner
모바일 버전