TensorFlow로 배우는 강화학습 CAMP

강의 녹화영상 제공 안내

사회적 거리두기 정부 방침에 따라 저희 패스트캠퍼스에서는
오프라인 강의실 출석이 어려우신 분들께서도 수강하실 수 있도록
이번 기수에 한하여 강의 영상을 녹화하여 제공할 예정입니다.
강의 수강에 참고 부탁드립니다.

혼자 공부하기 어려웠던 강화학습
TENSORFLOW 2.0으로 강화학습 알고리즘도 구현하고
나에게 맞는 강화학습 구현 인사이트도 가져가자!

강화학습 공부. 참 어렵죠?
왜 이렇게 어려운 걸까요?

알고리즘의 빠른 발전 속도

수식으로 표현된 복잡한 알고리즘

이보다 어려운 강화학습의 산
알고리즘이 어떻게 적용되는지 이해하는 것

내 업무에 맞는 알고리즘 적용, 잘 하고 있나요?

당신의 머릿속에 강화학습의 이론들이
코드로 구현되는 과정이 자연스럽게 그려지는 그 순간까지!

이해하기 쉽게 번역한 강의 자료와 강사님과 함께 하는 코드 실습을 중심으로,
강화학습의 기초부터 실무활용방법까지 모두 전수해드립니다.

강의 특징.

이론부터
코드리뷰까지

최신 Deep Reinforcement Learning 알고리즘의 원리를 이론 설명 및 코드 리뷰를 통해 이해합니다.

사례로 배우며
인사이트까지

Deep Reinforcement Learning 기법을 다양한 영역에 응용한 사례를 살펴보며 실제로 적용하기 위한 인사이트를 얻습니다.

최신 버전의
TENSORFLOW 2.0

최신 버전의 TensorFlow 2.0 기반으로 Deep Reinforcement Learning을 구현합니다.

주요 논문
22개 리뷰까지

Deep Reinforcement Learning 관련 주요 논문 22개를 review합니다.

잠깐!
강의실 밖에서도
열공하고 싶다고요?
걱정마세요!

수강생을 위한 혜택 1.

강의에서 배우는
22개 PAPER 제본 무료 제공

수강생을 위한 혜택 2.

수강 기간 중
SLACK 질의응답 채널 운영

수강 대상.

강화학습을 학습하고자 하는 의지는 있으나,
수식 이해의 난관을 넘지 못한 사람

강화학습의 아이디어를 본인의 업무 또는 연구에 적용하고자 하는 연구자/대학원생

이 강의를 내가 들어도 괜찮을까? 라고 생각하신다면 확인하세요! 잠깐, 본 강의는 하기와 같은 선수지식이 필요한 강의입니다. 수강 전, 꼭 체크해보세요!

1. 머신러닝의 기본 개념인 학습 모델의 가설 정의, 손실 함수의 정의, 최적화에 대해 잘 이해하고 있다.
2. 기본적인 딥러닝 모델인 ANN(Artificial Neural Networks)와 CNN(Convolutional Neural Network)을 학습해 보았다.
3. TensorFlow를 이용하여 직접 MNIST 학습 및 추론을 진행해 보았다.
4. 파이썬으로 300 line 이상의 코드를 작성한 경험이 있다.
5. 파이썬 코드에서 def, class, import, numpy의 의미를 알고 있다.
6. Uniform Distribution, Gaussian Distribution, Conditional Probability의 개념을 알고 있다.
7. Linux(Ubuntu) 환경에서 터미널을 이용해 작업해 본 적 있다.

패캠이 준비한 특별한 선물!

더 공부하고 싶은 부분이 있으신가요?

TensorFlow로 배우는 강화학습 2기 수강 신청하신 분들에게
패스트캠퍼스 데이터사이언스 카테고리 온라인 강의 1개 무료 수강권을 드립니다.

* 강의 수강자 전원 증정 * 개강 후 1주일 이내 일괄 발송

커리큘럼.

PART 1. DEEP REINFORCEMENT LEARNING 알고리즘

Day 1. Deep Reinforcement Learning with TensorFlow

Deep Reinforcement Learning의 기초 이론과 TensorFlow를 이용한 Deep Learning 알고리즘 구현 방법을 학습합니다.

[이론]
1) Reinforcement Learning,
Markov Decision Process(MDP), Q-Learning, Deep-Q-Networks (DQN), Experience Replay Buffer

[논문]
1) Mnih, Volodymyr, et al. “Playing atari with deep reinforcement learning.” arXiv preprint arXiv:1312.5602 (2013).
2) Mnih, Volodymyr, et al. “Human-level control through deep reinforcement learning.” Nature 518.7540 (2015): 529.

[코드리뷰]
1) TensorFlow를 이용한 딥러닝 알고리즘 구현
2) TensorFlow를 이용한 DQN 에이전트 구현
3) OpenAI Gym 소개

Day 2. Q-Learning

기본 Q-Learning과 기본 Q-Learning을 개선한 강화학습 방법론을 학습합니다.

[이론]
1) Q-Learning, Double Q-Learning, Deul Q-Learning, PER(Prioritized Experience Replay)

[논문]
1) Hasselt, Hado V. “Double Q-learning.” Advances in Neural Information Processing Systems. 2010.
2) Wang, Ziyu, et al. “Dueling network architectures for deep reinforcement learning.” arXiv preprint arXiv:1511.06581 (2015).
3) Van Hasselt, Hado, Arthur Guez, and David Silver. “Deep reinforcement learning with double q-learning.” Thirtieth AAAI conference on artificial intelligence. 2016.
4) Schaul, Tom, et al. “Prioritized experience replay.” arXiv preprint arXiv:1511.05952 (2015).

[코드리뷰]
1) OpenAI baselines 소개
2) TensorFlow를 이용한 Double Q-Learning, Deul Q-Learning, PER(Prioritized Experience Replay) 구현

Day 3. Policy Gradient

기본 Policy Gradient와 기본 Policy Gradient를 개선한 강화학습 방법론을 학습합니다.

[이론]
1) Policy Gradient, TRPO(Trust Region Policy Optimization), PPO(Proximal Policy Optimization)

[논문]
1) Sutton, Richard S., et al. “Policy gradient methods for reinforcement learning with function approximation.” Advances
2) in neural information processing systems. 2000.
3) Schulman, John, et al. “Trust region policy optimization.” International conference on machine learning. 2015.
4) Schulman, John, et al. “Proximal policy optimization algorithms.” arXiv preprint arXiv:1707.06347 (2017).

[코드리뷰]
1) TensorFlow를 이용한 TRPO 구현
2) TensorFlow를 이용한 PPO 구현

PART 2. DEEP REINFORCEMENT LEARNING 적용

Day4. Deep Reinforcement Learning for Computer Vision

Deep Reinforcement Learning 기법을 Computer Vision 문제에 응용한 연구들을 학습합니다.

[이론]
1) Deep Reinforcement Learning for Object Detection, Face Recognition

[논문]
1) Caicedo, Juan C., and Svetlana Lazebnik. “Active object localization with deep reinforcement learning.” Proceedings of the IEEE International Conference on Computer Vision. 2015.
2) Bueno, Míriam Bellver, et al. “Hierarchical object detection with deep reinforcement learning.” Deep Learning for Image Processing Applications 31.164 (2017): 3.
3) Pirinen, Aleksis, and Cristian Sminchisescu. “Deep reinforcement learning of region proposal networks for object detection.” Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2018.
4) Rao, Yongming, Jiwen Lu, and Jie Zhou. “Attention-aware deep reinforcement learning for video face recognition.” Proceedings of the IEEE International Conference on Computer Vision. 2017.
5) Cao, Qingxing, et al. “Attention-aware face hallucination via deep reinforcement learning.” Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2017.

Day5. Deep Reinforcement Learning for NLP

Deep Reinforcement Learning 기법을 NLP 문제에 응용한 연구들을 학습합니다.

[이론]
1) Deep Reinforcement for Text Summarization, Question & Answering (Q&A), Dialogue Generation

[논문]
1) Paulus, Romain, Caiming Xiong, and Richard Socher. “A deep reinforced model for abstractive summarization.” arXiv preprint arXiv:1705.04304 (2017).
2) Xiong, Caiming, Victor Zhong, and Richard Socher. “Dcn+: Mixed objective and deep residual coattention for question answering.” arXiv preprint arXiv:1711.00106 (2017).
3) Keneshloo, Yaser, et al. “Deep Reinforcement Learning for Sequence-to-Sequence Models.” IEEE transactions on neural networks and learning systems (2019).
4) Li, Jiwei, et al. “Deep reinforcement learning for dialogue generation.” arXiv preprint arXiv:1606.01541 (2016).

PART 3. DEEP REINFORCEMENT LEARNING 심화

Day6. Deep Reinforcement Learning Advanced Topic

최신 Deep Reinforcement Learning 연구에서 다루는 심화 주제들을 살펴봅니다.

[이론]
1) A2C, A3C, Soft Actor-Critic(SAC), GAIL(Generative Adversarial Imitation Learning), Distributed RL, Inverse Reinforcement Learning

[논문]
1) Mnih, Volodymyr, et al. “Asynchronous methods for deep reinforcement learning.” International conference on machine learning. 2016.
2) Haarnoja, Tuomas, et al. “Soft actor-critic: Off-policy maximum entropy deep reinforcement learning with a stochastic actor.” arXiv preprint arXiv:1801.01290 (2018).
3) Abbeel, Pieter, and Andrew Y. Ng. “Apprenticeship learning via inverse reinforcement learning.” Proceedings of the twenty-first international conference on Machine learning. ACM, 2004.
4) Ho, Jonathan, and Stefano Ermon. “Generative adversarial imitation learning.” Advances in neural information processing systems. 2016.

[코드리뷰]
1) TensorFlow를 이용한 A2C 구현
2) TensorFlow를 이용한 GAIL 구현

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

교육과정 소개서 다운받기

6주 후, 당신은 .

#강화학습 알고리즘 구현에 필요한 핵심을 이해합니다.
#강화학습에서 레벨 업! COMPUTER VISION 및 NLP 응용 단계까지 이해합니다

강사 소개.

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

자주묻는 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 앞
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.