▣ 01장: 머신러닝 및 ML-Agents 소개
머신러닝
__훈련 모델
__머신러닝 예제
__게임에 사용되는 머신러닝
ML-Agents
예제 실행
__에이전트 브레인 설정
환경 만들기
__스크립트 이름 바꾸기
Academy, Agent, Brain 컴포넌트
__Academy 설정
__Agent 설정
__Brain 설정
연습문제
요약
▣ 02장: 밴딧과 강화학습
강화학습
__에이전트 구성
상황별 밴딧과 상태
__상황별 밴딧 만들기
__ContextualDecision 스크립트 만들기
__에이전트 업데이트
탐색과 이용
__SimpleDecision을 사용한 의사결정
MDP와 벨만 방정식
Q 학습 및 연결 에이전트
__Q 학습 ConnectedDecision 스크립트 살펴보기
연습문제
요약
▣ 03장: 파이썬을 이용한 심층강화학습
파이썬과 관련 도구 설치
__설치
__설치 테스트
ML-Agent 외부 브레인
__환경 실행
신경망 기초
__어쨌든 신경망이 하는 일은 무엇인가?
심층 Q 학습
__심층 신경망 구축
__모델 훈련
__텐서 탐색
근위 정책 최적화
__PPO 구현
__텐서보드를 사용한 훈련 통계 이해
연습문제
요약
▣ 04장: 더 깊은 딥러닝 속으로
에이전트 훈련 문제
__훈련이 잘못되었을 때
합성곱 신경망
경험 재연
__경험을 바탕으로 빌드하기
부분 관측성, 메모리, 순환 신경망
__부분 관측성
__기억과
연구자와 개발자는 유니티 머신러닝 에이전트와 유니티 에디터를 사용해 게임과 시뮬레이션을 만들 수 있다. 간편하게 사용할 수 있는 파이썬 API와 유니티 에디터를 연동해 지능형 에이전트를 머신러닝 기법으로 훈련할 수 있는 환경을 형성할 수 있다.
이 책에서는 강화학습 및 Q학습의 기본기를 다지고, 여러 에이전트가 활동하는 생태계를 구성하고 서로 협력하거나 경쟁하는 심층 재귀형 Q 신경망을 장착한 에이전트들을 작성하는 과정을 알려 준다. 강화학습의 기본기를 다지는 일부터 문제를 푸는 데 응용하는 방법, 나아가 파이썬과 케라스 및 텐서플로를 사용해 스스로 학습하는 고급 신경망을 구축하는 방법도 설명한다. 이를 바탕으로 A3C 학습, 모방 학습 및 커리큘럼 학습 모델을 사용해 신경망을 훈련하는 혁신적인 방법을 배우게 된다.
이 책을 다 익히고 나면 여러분은 여러 에이전트들이 서로 협력하고 경쟁하는 생태계를 구축하는 식으로 더 복잡한 환경을 구성하는 방법을 알 수 있을 것이다.
★ 이 책에서 배우는 내용 ★
◎ 게임용 강화학습 및 심층강화학습 모델을 개발한다.
◎ 강화학습 및 신경망과 관련된 복잡하고 발전된 개념을 이해한다.
◎ 에이전트가 협력하거나 경쟁할 수 있게 개발하는 데 필요한 다양한 훈련 전략을 탐색한다.
◎ Q학습에 사용할 아카데미, 에이전트 및 브레인의 기본 스크립트 컴포넌트를 적용한다.
◎ 탐욕적 엡실론 탐색과 같은 발전된 학습 전략을 사용해 Q 학습 모델을 개선한다.
◎ 케라스로 간단한 신경망을 구현한 다음, 그것을 유니티로 가져와 외부 두뇌로 사용한다.
◎ 기존 DQN(심층 Q 신경망에 LSTM 블록을 보태는 방법을 이해한다.
◎ 여러 비동기 에이전트를 빌드한 다음에 훈련 시나리오에 맞춰 실행한다.
★ 주요 특징 ★
◎ 유니티로 만든 게임에서 머신러닝 개념을
