시계열 데이터 강화학습

소개글

"시계열 데이터 강화학습"에 대한 내용입니다.

목차

1. 서론

2. 본론
1) 강화학습
2) 인공 일반 지능
3) 강화학습의 방법
4) 강화학습의 딜레마
5) 시계열 강화학습
6) 밴딧 알고리즘
7) 톰슨 샘플링(Thompson Sampling)
8) 컨텍스트 밴딧
9) 심층 Q러닝

3. 결론

4. 참고문헌

본문내용

강화학습은 다양한 분야에 사용되고 있다. 점차 영역을 확대시키고 있으며 최근에는 시계열분야에서도 강화학습이 적용되고 있다. 본 보고서에서는 강화학습을 이용한 시계열분석 방법에 대해서 알아보도록 하겠다. 이를 위해 강화학습의 기초에 대해서 알아보고 시계열 분석에 강화학습이 어떻게 적용될 수 있는지에 대해서 알아보도록 하겠다.

II. 본론
1. 강화학습
1) 정의
- 지도 또는 비지도 방법은 환경에 수동적이고 변화에 반응하여 학습하는 반면에학습에 좋은 데이터를 찾고 해당 데이터에 대한 지도 학습을 교대로 수행하는 작업이다.

2) 의의
- 컴퓨터가 불가능하다고 여겨졌던 여러 문제를 해결하였다.
- 딥마인드의 알파고는 프로바둑기사 이세돌을 물리칠 정도로 인간의 창의력과 지능이 필요한 게임문제를 해결하였다.
- 인공 일반 지능(Artificial General Intelligence)을 이해하거나 학습하는데 필요한 방법이다.

2. 인공 일반 지능
1) 정의
- 지능이 필요한 지적업무를 이해하거나 학습하는 지능 에이전트의 가상능력이다.

참고 자료

Ben Auffarth(2021), Machine Learning for Timeseries with Python, Packt