Study Log (2021.08)

2021-08-22

• 바닥부터 배우는 강화학습
  • 1. Deep RL 첫 걸음
       • 7.1 함수를 이용한 근사
       • 7.2 인공 신경망의 도입
  • 1. 가치 기반 에이전트
       • 8.1 밸류 네트워크의 학습
       • 8.2 딥 Q러닝
  • 1. 정책 기반 에이전트
       • 9.1 Policy Gradient
       • 9.2 REINFORCE 알고리즘
       • 9.3 액터-크리틱
  • 1. 알파고와 MCTS
       • 10.1 알파고
       • 10.2 알파고 제로
  • 1. 블레이드 & 소울 비무 AI 만들기
       • 11.1 블레이드 & 소울 비무
       • 11.2 비무에 강화학습 적용하기
       • 11.3 전투 스타일 유도를 통한 새로운 방식의 Self-Play 학습

---

2021-08-16

• 바닥부터 배우는 강화학습
  • 1. MDP를 모를 때 최고의 정책 찾기
       • 6.1 몬테카를로 컨트롤
       • 6.2 TD 컨트롤 1 - SARSA
       • 6.3 TD 컨트롤 2 - Q러닝

---

2021-08-15

• 바닥부터 배우는 강화학습
  • 1. MDP를 모를 때 밸류 평가하기
       • 5.1 몬테카를로 학습
       • 5.2 Temporal Difference 학습
       • 5.3 몬테카를로 vs TD
       • 5.4 몬테카를로와 TD의 중간?

---

2021-08-14

• 바닥부터 배우는 강화학습
  • 1. MDP를 알 때의 플래닝
       • 4.1 밸류 평가하기 - 반복적 정책 평가
       • 4.2 최고의 정책 찾기 - 정책 이터레이션
       • 4.3 최고의 정책 찾기 - 밸류 이터레이션

---

2021-08-13

• 바닥부터 배우는 강화학습
  • 1. 강화학습이란
       • 1.1 지도학습과 강화학습
       • 1.2 순차적 의사결정 문제
       • 1.3 보상
       • 1.4 에이전트와 환경
       • 1.5 강화학습의 위력
  • 1. 마르코프 결정 프로세스 (Markov Decision Process)
       • 2.1 마르코프 프로세스 (Markov Process)
       • 2.2 마르코프 리워드 프로세스 (Markov Reward Process)
       • 2.3 마르코프 결정 프로세스 (Markov Decision Process)
       • 2.4 Prediction과 Control
  • 1. 벨만 방정식
       • 3.1 벨만 기대 방정식
       • 3.2 벨만 최적 방정식

---

2021-08-01

• 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