강화 학습은 에이전트의 작업을 수행하는 방법을 다루고 이러한 작업이 해당 작업을 수행하여 받는 보상에 어떤 영향을 미쳤는지 파악하는 기계 학습의 한 분야입니다.

값 반복, 정책 기울기 및 Monte Carlo 방법을 포함하여 다양한 종류의 강화 학습 알고리즘이 있습니다. 이 중 가장 인기 있는 것은 값 반복으로, 최적화 알고리즘을 사용하여 로봇이 주어진 현재 상태, 현재 환경 및 액세스할 수 있는 기타 정보(예: 원하는 결과의 종류)를 고려하여 로봇이 취해야 하는 최상의 작업을 결정합니다.

또한 심층 강화 학습은 심층 신경망을 사용하여 경험을 통해 학습하는 기술입니다. 심층 강화 학습을 사용하는 경우 모델이 얼마나 잘 수행되는지에 대한 피드백을 제공하는 인간 트레이너의 도움을 받아 머신 러닝 모델을 교육할 수 있습니다.

이 기술의 목표는 명시적으로 프로그래밍하지 않고 작업을 수행하는 방법을 배울 수 있는 알고리즘을 개발하는 것입니다. 심층 강화 학습은 시간이 지남에 따라 시행 착오를 통해 결과를 달성하는 방법을 학습하는 인공 신경망을 생성하여 작동합니다. 이러한 유형의 알고리즘에는 다른 유사한 시스템이나 상황뿐만 아니라 경험을 통해 학습할 수 있는 많은 계층과 노드가 있습니다.