상세정보
미리보기
파이토치와 유니티 ML-Agents로 배우는 강화학습 [응용편]
- 저자
- 민규식,이현호,박유민 공저
- 출판사
- 위키북스
- 출판일
- 2025-06-30
- 등록일
- 2026-01-12
- 파일포맷
- PDF
- 파일크기
- 55MB
- 공급사
- YES24
- 지원기기
-
PC
PHONE
TABLET
웹뷰어
프로그램 수동설치
뷰어프로그램 설치 안내
책소개
유니티를 이용하여 직접 게임을 제작하고 ML-Agents로 강화학습 환경을 구성해 보자! 유니티 ML-Agents는 게임 엔진인 유니티를 통해 제작한 시뮬레이션 환경을 강화학습을 위한 환경으로 만들어주는 고마운 도구이다. ML-Agents를 통해 많은 개발자, 연구자들이 원하는 강화학습 환경을 직접 만들 수 있게 되면서 ML-Agents는 학술적, 산업적으로 강화학습의 사용에 있어 중요한 도구가 되었다. 하지만 아직까지도 ML-Agents, 그중에서도 특히 ML-Agents 2.0 이후의 버전을 다루는 참고 자료가 많지 않기 때문에 ML-Agents를 사용하는 데 어려움이 많았다. 이 책은 2022년에 출간된 『파이토치와 유니티 ML-Agents로 배우는 강화학습』의 후속편으로 더욱 깊이 있는 강화학습에 대한 이론과 코드, 이를 위한 환경 제작 방법 등을 다루고 있다.
저자소개
한양대학교 미래자동차공학과에서 박사학위를 취득했으며 현재 카카오에서 AI 엔지니어로 일하고 있다. 강화학습 관련 페이스북 그룹인 Reinforcement Learning Korea의 운영진으로 활동하고 있으며 유니티 코리아에서 공인한 유니티 전문가 그룹인 Unity Masters 3~5기로 활동했다.
목차
00장: 유니티와 ML-Agents 설치하기 유니티와 ML-Agents 설치하기 __유니티 허브 다운로드 및 설치 __유니티 라이선스 활성화 __유니티 에디터 설치 ML-Agents 설치 __ML-Agents 파일 내려받기 __유니티에 ML-Agents 설치하기 __ML-Agents 파이썬 패키지 설치하기 01장: 유니티와 ML-Agents 설치하기 1.1 프로젝트 시작하기 1.2 닷지 환경 구성하기 1.3 스크립트 작성하기 __1.3.1 스크립트 파일 생성 및 설정 __1.3.2 DodgeScene 스크립트 __1.3.3 BallScript 스크립트 __1.3.4 Area 스크립트 __1.3.5 DodgeAgent 스크립트 1.4 닷지 환경 설정 및 환경 빌드 02장: Proximal Policy Optimization (PPO) 2.1 PPO 알고리즘의 개요 2.2 PPO 알고리즘의 이론 __2.2.1 PPO 알고리즘의 목적함수 __2.2.2 PPO의 분산학습 __2.2.3 PPO의 네트워크 구조 __2.2.4 PPO 알고리즘의 학습 __2.2.5 PPO 알고리즘의 성능 2.3 PPO 코드 __2.3.1 라이브러리 불러오기 __2.3.2 파라미터 값 설정 __2.3.3 Model 클래스 __2.3.4 Agent 클래스 __2.3.5 Main 함수 __2.3.6 학습 결과 2.4 mlagents-learn (파라미터 랜덤화) 2.5 커리큘럼 학습 __2.5.1 mlagents-learn을 이용한 커리큘럼 학습 __2.5.2 Python-API를 이용한 커리큘럼 학습 03장: 가변적인 입력 환경과 어텐션 3.1 가변적인 입력 환경의 개요 3.2 닷지 환경 수정(가변적인 입력 환경) 3.3 어텐션 기법의 이론 __3.3.1 멀티 헤드 어텐션 __3.3.2 강화학습에서 어텐션의 적용 3.4 어텐션 PPO 코드 __3.4.1 라이브러리 불러오기 __3.4.2 파라미터 값 설정 __3.4.3 Model 클래스 __3.4.4 Agent 클래스 __3.4.5 Main 함수 __3.4.6 학습 결과 04장: 퐁 환경 만들기 4.1 프로젝트 시작하기 4.2 퐁 환경 구성하기 4.3 스크립트 작성하기 __4.3.1 스크립트 파일 생성 __4.3.2 PongAgent 스크립트 __4.3.3 EnvController 스크립트 4.4 퐁 환경 설정 및 환경 빌드 05장: 적대적 강화학습 5.1 적대적 강화학습 개요 5.2 적대적 PPO 코드 __5.2.1 라이브러리 불러오기 __5.2.2 파라미터 값 설정 __5.2.3 Model 클래스 __5.2.4 Agent 클래스 __5.2.5 Main 함수 __5.2.6 학습 결과 5.3 mlagents-learn(적대적 강화학습) 06장: 방탈출 환경 만들기 6.1 프로젝트 시작하기 6.2 방탈출 환경 구성하기 6.3 스크립트 작성하기 __6.3.1 스크립트 파일 생성 __6.3.2 EnvController 스크립트 __6.3.3 BlockAgent 스크립트 6.4 방탈출 환경 설정 및 환경 빌드 07장: MA-POCA 7.1 COMA 알고리즘의 이론 __7.1.1 COMA 알고리즘 개요 __7.1.2 중앙화 크리틱, 탈중앙화 액터 __7.1.3 반사실적 베이스라인 __7.1.4 COMA 논문의 결과 7.2 MA-POCA 알고리즘의 이론 __7.2.1 MA-POCA 알고리즘 개요 __7.2.2 MA-POCA의 가치함수 __7.2.3 MA-POCA의 반사실적 베이스라인 __7.2.4 MA-POCA 논문의 결과 7.3 MA-POCA 코드 __7.4.1 라이브러리 불러오기 __7.4.2 파라미터 값 설정 __7.4.3 Model 클래스 __7.4.4 Agent 클래스 __7.4.5 Main 함수 __7.4.6 학습 결과 7.4 mlagents-learn(MA-POCA) 08장: 메이즈 환경 만들기 8.1 프로젝트 시작하기 8.2 메이즈 환경 구성하기 8.3 스크립트 작성하기 __8.3.1. 스크립트 파일 생성 __8.3.2. HardExplorationAgent 스크립트 8.4 메이즈 환경 설정 및 빌드하기 09장: Random Network Distillation 9.1 RND 알고리즘의 개요 9.2 RND 알고리즘의 기법 9.3 RND 알고리즘 구현 9.4 RND 코드 __9.4.1 라이브러리 불러오기 및 파라미터 값 설정하기 __9.4.2 Model 클래스 __9.4.3 RMS 클래스 __9.4.4 Agent 클래스 __9.4.5 Main 함수 __9.4.6 학습 결과 9.5 mlagents-learn(RND) 10장: 투 미션 환경 만들기 10.1 프로젝트 시작하기 10.2 투 미션 환경 구성하기 10.3 스크립트 작성하기 __10.3.1 스크립트 파일 생성 __10.3.2 TwoMissionAgent 스크립트 __10.3.3 TwoMissionEnvController 스크립트 __10.3.4 TwoMissionGoalDetect 스크립트 10.4 투 미션 환경 설정 및 빌드하기 11장: Hypernetworks 11.1 Hypernetworks 알고리즘의 개요 11.2 Hypernetworks 알고리즘의 기법 11.3 Hypernetworks 코드 __11.3.1 라이브러리 불러오기 및 파라미터 값 설정 __11.3.2 Model 클래스 __11.3.3 Agent 클래스 __11.3.4 Main 함수 __11.3.5 학습 결과 11.4 mlagents-learn(HyperNetworks) 12장: 마무리 12.1 응용편 내용 정리 12.2 책에서 다루지 않은 내용 __12.2.1 순환 신경망 __12.2.2 Soft Actor Critic 12.3 유니티 머신러닝 에이전트 적용 사례 __12.3.1 자율주행 연구 환경 구축 사례 __12.3.2 머신러닝 에이전트를 이용한 유튜브 사례 __12.3.3 산업 문제에 머신러닝 에이전트를 적용한 사례 __12.3.4 상용 게임에 머신러닝 에이전트를 적용한 사례
.png){kind=logo}
![파이토치와 유니티 ML-Agents로 배우는 강화학습 [응용편]](/images/bookimg/yes24/507570531.jpg)
