강화 학습
강화 학습은 수많은 시행착오를 통해 최적의 행동을 찾아냄.
Trial and Error (시행착오)
Reinforcement Signal (보상 신호)
Delayed Reward (보상 지연)
Exploration and Exploitation (탐험과 이용)
에이전트는 환경과 상호작용하면서 보상과 패널티를 경험하고, 이러한 결과를 바탕으로 행동을 개선할 수 있음. 이런 반복적인 과정을 통해 에이전트는 보상을 최대화하는 최적의 전략을 학습함. 또한 행동의 결과가 시간적으로 지연된 보상으로 표현됨. 이는 에이전트가 현재의 행동이 미래에 어떤 결과를 가져올지 예측하고 고려하도록 유도함.
강화 학습, 구성 요소
1. Agent
- Agent 강화학습에서 의사 결정을 수행하는 주체임. 1. Agent는 환경(Environment)과 상호작용하며 행동(Action)을 결정하고 그에 따른 보상(Reward)을 받음. 1. Agent는 현재의 상태(State)를 파악하고 최적의 행동을 선택하기 위한 정책(Policy)을 가지고 있음.
정책(Policy) 에이전트가 수행하는 모든 항목의 핵심으로, 함수를 통해 다음 행동을 결정하게 됨.
2. Environment
- Environment는 에이전트(Agent)가 학습하는 무대이며, 에이전트(Agent)의 행동하는 상태(State)와 보상(Reward)을 결정함. 이를 통해 에이전트(Agent)는 행동(Action) 다음에 받을 보상(Reward)을 예측하며 학습을 이어나가게 됨.
3. Action (행동)
- Action은 에이전트가 의사 결정을 통해 환경에 대해 가하기로 선택한 변화임. 각 상태에서 에이전트는 가능한 행동 중에서 어떤 것을 선택해야 하는지 결정함.
4. Reward (보상)
- Reward (보상)은 에이전트가 특정 행동을 취했을 때 받는 신호임. 4. Reward (보상)은 에이전트가 원하는 목표를 달성하기 위한 동기 부여에 중요한 역할을 함. 좋은 행동에 대해서 양의 보상이 주어지고, 나쁜 행동에 대해서는 음의 보상이 주어질 수 있음.
에이전트의 궁극적인 목적은 획득한 전체 보상을 최적화하는 것임. 따라서, 보상은 에이전트의 긍정적인 행동 결과와 나쁜 행동 결과를 구별할 수 있게 됨.