Study Log (2021.09)

2021-09-04

• 단단한 강화학습
  • Chapter #2. 다중선택
    • 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

---

2021-09-03

• 단단한 강화학습
  • Chapter #1. 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

---

2021-09-01

• S-K RL
  • train_FT10_ppo_node_only.py
    • do_simulate_on_aggregated_state()
    • value_loss, action_loss, dist_entropy = agent.fit(eval=0, reward_setting=’utilization’, device=device, return_scaled=False)
    • eval_performance = evaluate_agent_on_aggregated_state(simulator=sim, agent=agent, device=’cpu’, mode=’node_mode’)
    • val_performance = validation(agent, path, mode=’node_mode’)
  • pyjssp 버전 구분
    • GNN-MARL Lastest용
    • GNN-MARL Stable용

---

Template

• Fundamental of Reinforcement Learning
  • Chapter #.
• 모두를 위한 머신러닝/딥러닝 강의
  • Lecture #.
• UCL Course on RL
  • Lecture #.
• Reinforcement Learning
  • Page #.
• 팡요랩
  • 강화학습 1강 - 강화학습 introduction
  • 강화학습 2강 - Markov Decision Process
  • 강화학습 3강 - Planning by Dynamic Programming
  • 강화학습 4강 - Model Free Prediction
  • 강화학습 5강 - Model Free Control
  • 강화학습 6강 - Value Function Approximation
  • 강화학습 7강 - Policy Gradient
  • 강화학습 8강 - Integrating Learning and Planning
  • 강화학습 9강 - Exploration and Exploitation
  • 강화학습 10강 - Classic Games
• Pattern Recognition & Machine Learning
• S-K RL
• multi_step_actor