모의 투자 분석 프로그램과 함께 배우는 강화학습 with TensorFlow

모의 투자 분석 프로그램을 만들어 보며 Deep Reinforcement Learning 기술을 실제 산업 모델에 적용하기 위한 인사이트를 획득하고, 강화학습 논문과 알고리즘을 내손으로 직접 적용해볼 수 있습니다.

#강화학습
#최신논문리뷰
#알고리즘
#Q-Learning
#투자분석프로그램
#슬랙질의

기간: 2020.12.05 - 2021.01.30 총 8주 (1월 2일 휴강)
일정: 토요일 10:00~13:00 주 1회, 총 24시간
장소: 강남역 강의장
문의: 02-568-9886 help-ds@fastcampus.co.kr

모의 투자 분석 프로그램을 만들면서 Deep RL 기술을 직접 적용해보는 8주!

다양한 강화학습 논문을 리뷰하며 이론을 다지고, 배운 내용을 실제 프로그램에 내손으로 적용해 봅니다.

케이스 스터디부터 모의 투자 분석 프로그램 완성까지
8주 완성으로 가능합니다!

강화학습이 활용된 6가지 비즈니스 케이스 스터디 진행

강화학습이 활용되는 금융분야 실제 프로젝트를 진행하여 Deep Reinforcement Learning 기법을 다양한 영역에 응용한 사례를 살펴봄으로써, 실제로 Deep Reinforcement Learning을 적용하기 위한 인사이트를 획득합니다.

24가지 논문을 핵심만 리뷰하고, TensorFlow 2.0으로 주요 알고리즘 직접 구현

물체를 탐지하는 강화학습, 인물을 재구성하는 기술, 대화를 처리하는 모델 등 다양한 응용사례를 통해 논문을 리뷰하고 알고리즘을 구현해봅니다.

실제 투자 분석 프로그램을 구현하며 Deep RL 기술의 활용법 습득

모의 투자 분석 프로그램을 직접 만들어 보면서, 학습하는 이론 파트에서 리뷰한 논문들의 내용들을 적용해보는 프로젝트를 진행합니다. 금융 및 투자 분야에서 Deep RL 기술을 어떻게 적용하여 문제를 해결하는지 경험할 수 있습니다.

8주간 확실하게 배워갈 수 있도록 준비된 3가지 추가 혜택!

혜택1. 강의에서 다루는 14개 PAPER
제본 무료 제공!

이론→논문/알고리즘/수식설명→코드구현이 모두 들어있는 강의 자료를 제공합니다.

혜택2. 어려운 개념도 반복 학습 가능하도록 24가지 퀴즈 별도 제공!

복습 퀴즈를 통해 어려운 개념이나 알고리즘도 반복해서 공부하고 넘어가세요.

혜택3. 밀착케어를 위한 실시간 SLACK 질의응답 채널 운영!

수강 기간동안 강사님과 더 원활하게 소통할 수 있도록 SLACK 채널을 운영합니다.

어려운 강화학습 이론을 쉽게 이해할 수 있도록, 커리큘럼에 따른 퀴즈와 퀴즈 해설, 복습용 자료가 매주 제공됩니다.

8주 완성 커리큘럼을 확인하세요.

Part 1.

강화학습 기초와 케이스 스터디

Part 2.

투자 분석 프로그램 구현을 위한 논문과 알고리즘

Part 3.

투자 분석 프로그램 구현

Part 4.

강화학습 실전 연구

PART 1. 강화학습 기초와 케이스 스터디

강화학습 기초개념과 활용 사례를 케이스 스터디를 통해 학습합니다.

Day 1. 딥러닝 기초와 강화학습 엿보기

[학습 목표]
- Reinforcement Learning의 기초 개념을 이해합니다.
- 딥러닝 알고리즘의 기본 개념과 기본 구조 ANN, CNN, RNN, LSTM를 이해합니다.
- TensorFlow 2.0을 이용한 딥러닝 알고리즘 구현방법을 학습합니다.
- Q-Learning의 원리를 이해하고 구현해봅니다.

[내용]
- Reinforcement Learning 기초 개념 (Agent, Environment, Reward)
- Markov Decision Process(MDP)의 개념과 구성 요소(State, Action, Reward)
- 머신러닝 알고리즘의 기본 프로세스
- 가설 정의, 손실함수 정의, 최적화
- ANN, CNN, RNN, LSTM 등 딥러닝의 기본 구조
- TensorFlow 2.0을 이용한 딥러닝 알고리즘 구현방법
- Q-Learning의 동작 원리

Day 2. 강화학습 응용 사례 Case Study

[학습 목표]
- Reinforcement Learning이 어떤 분야에 응용되고 있는지 케이스 스터디를 통해 살펴봅니다.
- 케이스 스터디를 통해 Reinforcement Learning이 강점을 가지는 분야를 이해합니다.

[내용]
- 알파고(AlphaGo)
- OpenAI Five
- Robot Hand Control
- Data Center Cooling
- Netflix Recommendation System
- Trading System
- 테크 대기업들에서의 Reinforcement Learning 적용사례

Day 3. 강화학습 시뮬레이션 환경 구성

[학습 목표]
- Deep Reinforcement Learning의 개념을 이해합니다.
- TensorFlow 2.0을 이용해서 Deep Reinforcement Learning을 구현해봅니다.
- OpenAI Gym을 이용해서 강화학습을 위한 시뮬레이션 환경을 구성해봅니다.

[내용]
- Deep-Q-Networks (DQN)
- Experience Replay Buffer
- TensorFlow 2.0을 이용한 DQN 에이전트 구현
- OpenAI Gym

PART 2. 투자분석 프로그램 구현을 위한 논문과 알고리즘

24개의 논문과 알고리즘을 리뷰하여 강화학습에 대해 깊이있게 이해합니다.

Day4. 최적의 방안을 찾는 Q-Learning (Value-based method)

[학습 목표]
- Value-based 강화학습 방법론의 장단점을 이해합니다.
- 기본 Q-Learning과 기본 Q-Learning을 개선한 강화학습 방법론을 학습합니다.

[내용]
- Value-based method
- Q-Learning
- Double Q-Learning
- Deul Q-Learning
- PER(Prioritized Experience Replay)
- OpenAI baselines
- TensorFlow 2.0를 이용한 Double Q-Learning, Deul Q-Learning, PER(Prioritized Experience Replay 구현

Day5. 학습의 정확도를 높여주는 Policy Gradient

[학습 목표]
- Policy-based 강화학습 방법론의 장단점을 이해합니다.
- 기본 Policy Gradient와 기본 Policy Gradient를 개선한 강화학습 방법론을 학습합니다.

[내용]
- Policy-based method
- Policy Gradient
- TRPO(Trust Region Policy Optimization)
- PPO(Proximal Policy Optimization)
- TensorFlow 2.0을 이용한 PPO 구현

PART 3. 투자 분석 프로그램 구현

모의 투자 분석 프로그램을 구현하면서 이제까지 배운 개념을 실전에서 완벽하게 복습합니다.

Day6. 투자 분석 시스템 환경 구축

[학습 목표]
- 주식투자 시스템 구축을 위해 필요한 파이썬 라이브러리 사용법을 학습합니다.
- 판다스(Pandas), 넘파이(Numpy), Matplotlib, Seaborn 등의 라이브러리 사용법을 학습합니다.
- 주식 시계열 데이를 구성하는 방법을 학습합니다.
- 백테스팅 환경을 구현하는 방법을 학습합니다.

[내용]
- 판다스(Pandas)
- 넘파이(Numpy)
- Matplotlib
- Seaborn
- 주식 시계열 데이터 구성 방법
- 백테스팅 환경 구현 방법

Day7. Deep Reinforcement Learning 을 이용한 투자 분석 프로그램 구축

[학습 목표]
- 지금까지 학습한 내용을 토대로 Deep Reinforcement Learning을 이용한 투자 분석 프로그램을 구축해봅니다.

[내용]
- 주식 투자를 위한 강화학습 환경 구성
- 학습에 사용할 Feature 정보 설정
(추세데이터 - 시가, 종가, 고가. 저가, 거래량 등,
회계데이터 - PER, PBR 등)
- 다양한 Feature 정보를 토대로 Deep Reinforcement Learning 알고리즘을 이용한 주식투자 시스템 구축
- 과거 데이터로 백테스팅해보기

PART 4. 강화학습 실전 연구

강화학습에서 다루는 실전 논문들을 살펴보고 컴퓨터비전과 NLP, A2C 등 실전 연구 주제들을 살펴봅니다.

Day8. 강화학습 실전 연구 | 컴퓨터 비전과 NLP, A2C & A3C

[학습 목표]
- Deep Reinforcement Learning 기법을 Computer Vision, NLP 문제에 응용한 연구들을 학습하면서 Deep Reinforcement Learning이 실제 문제에 어떻게 응용될수 있을지를 살펴봅니다.
- Actor-Critic Method를 이해합니다.

[내용]
- Deep Reinforcement Learning for Object Detection, Face Recognition
- Deep Reinforcement for Text Summarization, Question & Answering (Q&A), Dialogue Generation
- A2C, A3C

강의에 대한 전반적인 소개를 한 눈에 보고 싶다면? 교육 과정 소개서를 확인해주세요!
* 본 소개서는 회사 제출용으로도 사용 가능합니다.

교육과정 소개서 다운로드하기

강화학습 응용사례와 주요 알고리즘을 알아보는 케이스 스터디 시간까지!

알고리즘 : Value Networks (Value-base method)와 Policy Networks(Policy-based method)

강화학습 알고리즘을 이용해서 바둑을 플레이하는 인공지능 에이전트을 구현하였고, 인간 최고의 플레이어를 상대로 승리를 거두었습니다.

알고리즘 : Proximal Policy Optimization(PPO)

강화학습을 알고리즘을 이용하여 복잡한 5vs5 전투게임인 Dota2를 플레이하는 인공지능 에이전트를 구현하였고, 인간 최고의 플레이어를 상대로 승리를 거두었습니다.

알고리즘 : Proximal Policy Optimization (PPO)

강화학습 알고리즘을 이용하여 기존 알고리즘으로 이루어내기 힘든 섬세한 Robot Hand Control을 수행하였습니다.

알고리즘 : Reinforcement Learning

강화학습 알고리즘을 이용하여 최적의 데이터 센터 쿨링 컨트롤을 수행하였고, 기존의 데이터센터 쿨링 알고리즘 대비 40%의 비용을 절감하였습니다.

알고리즘 : Reinforcement Learning

강화학습 알고리즘을 이용하여 사용자 취향을 고려한 최적의 추천시스템을 구축하였습니다.

알고리즘 : Reinforcement Learning

강화학습 알고리즘을 이용하여 최적의 투자전략 시스템을 구성하였습니다.

하나라도 해당된다면, 이 강의를 놓치지 마세요.

논문을 통해 관련 도메인의 문제에 직접 적용하는 과정을 경험해보고 싶다면

원서로 된 논문을 리뷰하고 알고리즘 수식을 상황에 적용하는 데에 어려움을 겪고 있다면

Deep RL 기술이 실제로 활용되는 산업의 케이스를 알아보고, 알고리즘을 직접 구현하여 프로그램을 만들어보고 싶다면

실제 수업 자료 맛보기.

8주 후, 당신은 이렇게 성장합니다.

1. 강화학습 알고리즘 구현에 필요한 핵심 이론을 이해합니다.
2. 실제 도메인에서 활용되는 주요 알고리즘을 스스로 구현할 수 있습니다.
3. Deep RL 핵심 기술을 활용하여 모의 투자 분석 프로그램을 스스로 완성합니다.

강사님을 소개합니다.

SOLARIS 강사님

약력

– [솔라리스의 인공지능 연구실] 블로그 운영
- 서울대학교 인공지능 및 컴퓨터 비전 연구실 석사
- S전자 컴퓨터 비전 관련 프로젝트 수행

저서

- ‘텐서플로로 배우는 딥러닝’ 집필

강의경력

- 패스트캠퍼스 [딥러닝-영상인식 CAMP] 진행
- 패스트캠퍼스 [인식 모델 구현 프로젝트 CAMP] 진행

지난 기수 수강생들의 생생한 후기를 들어보세요!

다양한 최신 논문의 핵심적인 부분만 리뷰해주셔서 좋았습니다.

Tensorflow로 직접 구현하며 강화학습 알고리즘을 제대로 이해할 수 있게 되었습니다.

깔끔하고 친절하게 설명해주셔서 직관적으로 이해하기 수월했습니다.

아는 사람이 많이 없는 내용을 알려주셔서 유익했습니다.

그동안 모호했던 개념이 잡히는 느낌이였습니다.

이론과 실습 모두 다루고 있어 도움이 많이 되었습니다.

자주 묻는 질문.

Q. 딥러닝 학습을 막 시작했습니다. 본 코스를 수강할 수 있을까요? 수강 선수 지식을 만족하지 못하신다면 [TensorFlow로 시작하는 딥러닝 입문 CAMP]를 추천 드립니다.

Q. Computer Vision 또는 NLP 중심으로 진행되는 코스는 없나요? Computer Vision에 관심 있으시다면 [딥러닝-영상인식 CAMP], NLP에 관심 있으시다면 [자연어처리를 위한 딥러닝 CAMP]와 [PyTorch를 활용한 자연어처리 심화 CAMP]를 추천 드립니다.

강남역 4번 출구 10초 거리에 위치한
강의장 안내.

유의사항 * 모든 패스트캠퍼스 오프라인 파트타임 교육은 개강 전일 18시에 모집이 마감됩니다.
* 상황에 따라 사전 공지 없이 모집이 조기 마감되거나 할인이 연장될 수 있습니다.
* 수강 인원 확인을 위하여, 즉시 결제가 어려운 경우에도 반드시 수강신청을 먼저 진행해주시기 바랍니다.
* 수강생의 결석이나 지각 등으로 발생한 손해에 대해서는 별도의 보상을 제공하지 않습니다.

* 다음과 같은 사유 등으로 인해 강의가 폐강될 수 있으며, 폐강 시 학원법에 따라 반환 사유 발생일로부터 5 영업일 이내에 수강료를 환불해드립니다.
– 모집된 수강인원이 10명 이하일 경우
– 강사의 갑작스러운 사고 및 건강 상의 이유

– 천재지변
: 위의 사유로 강의가 폐강될 경우, 학원법 제 18조에 따라 오프라인 강의 취소/환불 정책을 준용하여 환불 처리되며, 모객 부진으로 폐강 시에는 최소 개강일로부터 7일 전에는 폐강 여부를 안내해드립니다.

환불 규정 * 총 수강기간 1개월 이내 기준 취소 및 환불 규정 안내
– 환불금액은 정가가 아닌 실제 결제금액을 기준으로 계산됩니다.
– 수업 시작 전 환불 신청 시 전액 환불됩니다.
– 수강 시작 후 환불 신청 시 하기 수업 시수를 기준으로 학원법 환불규정에 따라 환불 가능합니다.
: 환불요청일시 기준 수업시수 1/3 경과 전 : 수강료 2/3 환불
: 환불요청일시 기준 수업시수 1/2 경과 전 : 수강료 1/2 환불
: 환불요청일시 기준 수업시수 1/2 경과 후 : 환불금액 없음

* 기타 환불 관련 안내
– 환불 의사를 밝힌 다음날부터 계산하여 환불합니다.
– 환불금액은 수업시간을 기준(반올림)으로 산정합니다.
– 환불금액의 10원 미만은 절삭합니다.
– 반환 사유 발생 시 5 영업일 이내 환불됩니다.
: PG사와 카드사의 상황에 따라 환불이 지연될 수 있습니다
– 1개월 산정 기준은 민법 제 160조(역에 의한 계산)을 적용합니다.
: 실제 일수와 상관없이 수업시작일이 3월 7일인 경우, 1개월은 4월 6일까지 입니다.
: 단, 수업 시작일이 1월 31일인 경우, 1개월은 월의 말일인 2월 28일까지 입니다.

모의 투자 분석 프로그램과 함께 배우는 강화학습 with TensorFlow
현재 정가 대비 5% 할인 중!
12월 4일 금요일 정오 까지

정가 ~~1,100,000원~~

현재 판매가 1,040,000원

12개월 무이자 할부 시 월 86,666원

수강 신청하기

국내 9개 카드사 12개월 무이자 할부 지원!

삼성카드
신한카드
롯데카드
현대카드
하나카드
BC카드
KB국민은행
씨티카드
NH농협카드