▣ 01장: 강화학습 수학 1.1 확률과 랜덤 변수 ___1.1.1 확률 ___1.1.2 랜덤 변수 ___1.1.3 누적분포함수와 확률밀도함수 ___1.1.4 결합 확률함수 ___1.1.5 조건부 확률함수 ___1.1.6 독립 랜덤 변수 ___1.1.7 랜덤 변수의 함수 ___1.1.8 베이즈 정리 ___1.1.9 샘플링 1.2 기댓값과 분산 ___1.2.1 기댓값 ___1.2.2 분산 ___1.2.3 조건부 기댓값과 분산 1.3 랜덤벡터 ___1.3.1 정의 ___1.3.2 기댓값과 공분산 행렬 ___1.3.3 샘플 평균 1.4 가우시안 분포 1.5 랜덤 시퀀스 ___1.5.1 정의 ___1.5.2 평균함수와 자기 상관함수 ___1.5.3 마르코프 시퀀스 1.6 선형 확률 차분방정식 1.7 표기법 1.8 중요 샘플링 1.9 엔트로피 1.10 KL 발산 1.11 추정기 ___1.11.1 최대사후 추정기 ___1.11.2 최대빈도 추정기 1.12 벡터와 행렬의 미분 ___1.12.1 벡터로 미분 ___1.12.2 행렬로 미분 1.13 촐레스키 분해 1.14 경사하강법 ___1.14.1 배치 경사하강법 ___1.14.2 확률적 경사하강법 1.15 경사하강법의 개선 ___1.15.1 모멘텀 ___1.15.2 RMSprop ___1.15.3 아담 1.16 손실함수의 확률론적 해석 ___1.16.1 가우시안 오차 분포 ___1.16.2 베르누이 오차 분포 ▣ 02장: 강화학습 개념 2.1 강화학습 개요 2.2 강화학습 프로세스와 표기법 2.3 마르코프 결정 프로세스 ___2.3.1 정의 ___2.3.2 가치함수 ___2.3.3 벨만 방정식 ___2.3.4 벨만 최적 방정식 2.4 강화학습 방법 ▣ 03장: 정책 그래디언트 3.1 배경 3.2 목적함수 3.3 정책 그래디언트 3.4 REINFORCE 알고리즘 ▣ 04장: A2C 4.1 배경 4.2 그래디언트의 재구성 4.3 분산을 감소시키기 위한 방법 4.4 A2C 알고리즘 4.5 A2C 알고리즘 구현 ___4.5.1 테스트 환경 ___4.5.2 코드 개요 ___4.5.3 액터 클래스 ___4.5.4 크리틱 클래스 ___4.5.5 에이전트 클래스 ___4.5.6 학습 결과 ___4.5.7 전체 코드 ▣ 05장: A3C 5.1 배경 5.2 그래디언트 계산의 문제 ___5.2.1 샘플의 상관관계 ___5.2.2 n-스텝 가치 추정 5.3 비동기 액터-크리틱(A3C) 알고리즘 5.4 그래디언트 병렬화 방식의 A3C 알고리즘 구현 ___5.4.1 테스트 환경 ___5.4.2 코드 개요 ___5.4.3 액터 클래스 ___5.4.4 크리틱 클래스 ___5.4.5 에이전트 클래스 ___5.4.6 학습 결과 ___5.4.7 전체 코드 5.5 데이터 병렬화 방식의 A3C 알고리즘 구현 ___5.5.1 코드 개요 ___5.5.2 전체 코드 ▣ 06장: PPO 6.1 배경 6.2 그래디언트의 재구성 6.3 정책 업데이트와 성능 6.4 PPO 알고리즘 6.5 어드밴티지 추정의 일반화 (GAE) 6.6 PPO 알고리즘 구현 ___6.6.1 테스트 환경 ___6.6.2 코드 개요 ___6.6.3 액터 클래스 ___6.6.4 크리틱 클래스 ___6.6.5 에이전트 클래스 ___6.6.6 학습 결과 ___6.6.7 전체 코드 ▣ 07장: DDPG 7.1 배경 240 7.2 그래디언트의 재구성 7.3 DDPG 알고리즘 7.4 DDPG 알고리즘 구현 ___7.4.1 테스트 환경 ___7.4.2 코드 개요 ___7.4.3 액터 클래스 ___7.4.4 크리틱 클래스 ___7.4.5 액터-크리틱 에이전트 클래스 ___7.4.6 학습 결과 ___7.4.7 전체 코드 ▣ 08장: SAC 8.1 배경 8.2 소프트 벨만 방정식 8.3 소프트 정책 개선 8.4 SAC 알고리즘 8.5 SAC 알고리즘 구현 ___8.5.1 테스트 환경 ___8.5.2 코드 개요 ___8.5.3 액터 클래스 ___8.5.4 크리틱 클래스 ___8.5.5 에이전트 클래스 ___8.5.6 학습 결과 ___8.5.7 전체 코드 ▣ 09장: 모델 기반 강화학습 기초 9.1 배경 9.2 최적제어 ___9.2.1 LQR ___9.2.2 확률적 LQR ___9.2.3 가우시안 LQR ___9.2.4 반복적 LQR 9.3 모델 학습 방법 ▣ 10장: 로컬 모델 기반 강화학습 10.1 배경 10.2 로컬 모델 피팅 기반 LQR 10.3 로컬 모델 피팅 ___10.3.1 조건부 가우시안 방법 ___10.3.2 GMM 사전분포를 이용한 로컬 모델 업데이트 10.4 로컬 제어 법칙 업데이트 ___10.4.1 대체 비용함수 계산 ___10.4.2 KL 발산 계산 ___10.4.3 h 조정 ___10.4.4 e 조정 10.5 가우시안 LQR을 이용한 강화학습 알고리즘 10.6 가우시안 LQR을 이용한 강화학습 알고리즘 구현 ___10.6.1 테스트 환경 ___10.6.2 코드 개요 ___10.6.3 궤적 생성 ___10.6.4 로컬 모델 피팅 ___10.6.5 가우시안 LQR ___10.6.6 가우시안 혼합 모델 ___10.6.7 LQR-FLM 에이전트 클래스 ___10.6.8 학습 결과 ___10.6.9 전체 코드 10.7 GPS로의 발전 ▣ 참고문헌