안녕하세요! 여러분의 강화학습 여정을 더욱 쉽고 명확하게 안내해 드릴 강화학습 멘토링 프로그램의 커리큘럼을 소개합니다. 복잡한 이론 대신 직관적인 설명과 풍부한 실습으로 구성된 이 프로그램을 통해, 강화학습을 여러분의 강력한 실전 무기로 만들어 보세요!

본 강의는 "강화학습 올인원: 기초, 최신 알고리즘, 실무 활용" 강의 중심으로 구성되었습니다.

*880,000만원으로 10명까지 수강가능합니다. 그룹으로 수강하는 것을 추천드립니다. 4시간 선택 시 다음 두 가지 커리큘럼 중 선택(기초/마스터)이 가능하며, 8시간 강의는 4시간 강의를 2번 신청하셔야 합니다.

*강의 장소와 시간은 협의 가능합니다.(오프라인 중심)

*문의사항 : multicore.it@gmail.com

*강사소개: 멀티코어는 프로그래머이자 인공지능 전문가입니다. 프로그래머로서 다양한 분야에서 활동했으며 현재는 기업에서 데이터분석과 강화학습을 활용한 비즈니스 환경 개선 업무를 담당하고 있습니다. 인공지능이 학위를 받은 소수의 전문가만을 위한 영역이 아니라 프로그래머도 충분히 도전할 수 있음을 후배들에게 보여주기 위해 부단히 노력하고 있습니다. "프로그래머를 위한 강화학습"과 "나만의 투자 전략으로 수익을 내는 비트코인 선물거래 자동매매 시스템"을 집필했습니다.

🚀 4시간 핵심 커리큘럼: 강화학습 첫 걸음

목표: 강화학습의 기본 원리를 이해하고, 핵심 알고리즘 및 딥러닝과의 연계를 통해 실전 AI 구현의 기초를 다집니다.

1교시: 강화학습의 세계로

강화학습 핵심 개념: 에이전트, 환경, 상태, 행동, 보상 소개.
지도/비지도 학습과의 차이점.
강화학습의 수학적 기반: 마르코프 결정 과정(MDP)의 구성요소 (상태, 행동, 보상, 전이 확률, 감가율, 정책) 이해.

2교시: 가치와 학습의 기초

가치 함수: 상태 가치 함수(V-함수) 및 행동 가치 함수(Q-함수) 개념.
벨만 방정식의 역할 (개념 위주).
강화학습 학습 방법론: 몬테카를로(MC)와 시간차 학습(TD) 비교.
Q-러닝 개념: TD 기반의 모델 프리 알고리즘.

3교시: 딥러닝과 강화학습의 만남

함수 근사법의 필요성: 복잡한 환경 해결을 위한 신경망 활용.
DQN(Deep Q-Network) 알고리즘: Q-러닝과 딥러닝의 결합.
DQN 핵심 아이디어: 경험 재현(Experience Replay)과 목표 네트워크 개념.
탐험(Exploration)과 탐욕(Exploitation)의 균형 (입실론-탐욕 정책).

4교시: 실전 적용의 첫걸음

카트폴(CartPole) 환경 실습: DQN을 활용한 카트폴 에이전트 학습 과정 살펴보기.
학습 결과 해석 (이동 평균, 보상 등).
질의응답 및 다음 단계 안내.
준비물: 노트북, 기본적인 Python 프로그래밍 지식 및 개발 환경 (Python, TensorFlow, Jupyter Notebook) 설치 안내.

🌟 8시간 심화 커리큘럼: 실전 강화학습 마스터 과정

목표: 고급 강화학습 알고리즘을 이해하고, 신경망 튜닝 및 베이지안 최적화를 활용하여 실제 금융 데이터에 적용하는 능력을 기릅니다.

1-3교시: 4시간 핵심 커리큘럼 내용 복습 및 심화

DQN 알고리즘 심층 분석: 리플레이 메모리 동작 원리, Epsilon-greedy 전략 상세.
함수 근사법의 수학적 배경: 미분, 편미분, 경사하강법 개념 (직관적 이해).

4교시: 정책 기반 강화학습의 시작

정책 기반 강화학습 개요: 가치 기반과의 차이점.
정책 그래디언트(Policy Gradient) 개념: 경사 상승법.
REINFORCE 알고리즘의 개념 및 한계점.

5교시: 안정적인 정책 학습: A2C와 PPO

Actor-Critic (A2C) 알고리즘: 정책 신경망(Actor)과 가치 신경망(Critic)의 협력, 어드벤티지 함수.
PPO(Proximal Policy Optimization) 알고리즘: 중요도 샘플링(Importance Sampling) 및 클리핑(Clipping) 기법.
GAE(Generalized Advantage Estimation) 개념과 PPO에서의 활용.

6교시: 인공신경망 튜닝 마스터

입력 데이터 전처리: 표준화와 정규화.
활성화 함수 선택: ReLU, Leaky ReLU, ELU, Swish 등.
가중치 초기화: Glorot, He 초기화.
최적화 알고리즘: Adam 및 학습률 조정.
노드 수 및 레이어 수 결정 가이드.

7교시: 최적의 하이퍼파라미터를 찾아서: 베이지안 최적화

하이퍼파라미터 튜닝의 어려움.
베이지안 최적화(Bayesian Optimization)의 이해: 빈도주의/베이지안 확률, 사전/사후 확률.
Optuna 실습: Optuna를 활용한 하이퍼파라미터 자동 튜닝 방법.

8교시: 실전 강화학습 프로젝트 맛보기

자산 배분 전략: yfinance를 활용한 실제 주식 데이터 수집, 환경 및 보상 함수 설계 (로그 수익률, 최대 낙폭, 샤프 비율, 거래비용).
지점 순환 근무 모델링: 강화학습 기반 최적화 문제 정의 및 환경 설계.
Stable-Baselines3 (SB3) 활용: 강화학습 라이브러리 SB3의 장점 및 핵심 기능.
텐서보드(TensorBoard)를 활용한 학습 시각화.
총정리 및 Q&A: 개별 프로젝트 아이디어 멘토링.
준비물: 기본적인 Python 프로그래밍 지식 및 개발 환경 (Python, TensorFlow, Jupyter Notebook) 설치. 추가로 yfinance, Optuna, Stable-Baselines3 등 관련 라이브러리 설치 안내.

이 멘토링 프로그램은 강화학습을 막연한 개념이 아닌, 여러분의 실전 무기로 만들어 드릴 것입니다! 지금 바로 시작하세요!

멀티코어

로드맵