alessiodm/drl-zh

해결하는 문제

강화 학습(RL)에 대해 읽는 것은 쉽지만, 실제로 알고리즘을 작동시키는 것은 어렵습니다. 이 프로젝트는 그 격차를 실습 경로로 전환합니다. 교과서 설명을 따르는 것만이 아니라 알고리즘을 직접 구축함으로써 배우게 됩니다. 구조화된 코스를 제공하며, 각 핵심 아이디어에는 연습 노트북과 막힐 때 확인할 수 있는 전체 솔루션이 포함되어 있습니다.

작동 방식

이 코스는 00부터 18까지 번호가 매겨진 일련의 Jupyter 노트북으로 구성되며, 기초, 가정 깨기, 계획, 현대 AI 스택, 프로덕션, 월드 모델, 메타 + 마무리와 같은 트랙으로 그룹화됩니다. 루트 노트북에는 코드가 의도적으로 제거된 안내된 TODO 섹션이 포함되어 있습니다. solution/ 폴더에는 완전하고 실행 가능한 버전이 포함되어 있어 언제든지 막힘을 풀 수 있습니다. Docker 작업 공간에는 필요한 모든 것이 번들로 포함되어 있습니다(code-server, Python 3.13, Jupyter, 종속성, 선택적 DRL-ZH AI Companion(스포일러 대신 소크라테스식 힌트를 제공하는 VS Code 확장, 텍스트 또는 음성 입력 지원)). 수동 지침을 사용하여 네이티브로 설정할 수도 있습니다.

대상 독자

이 코스는 Python에 익숙하고 PyTorch 기본을 알고 일반적인 ML 수학 배경(확률, 통계, 선형 대수, 미분)을 갖춘 사람들을 위해 만들어졌습니다. 노트북은 RL을 가르치지만 실제 훈련 코드를 읽고 수정할 수 있다고 가정하므로, 미리 만들어진 데모를 소비하는 대신 코드를 직접 작성하려는 학습자를 위한 것입니다.

하이라이트

• MDP 및 테이블 RL부터 DQN, PPO, SAC, AlphaZero, RLHF, Decision Transformers, Dreamer까지 18개 이상의 노트북에 걸친 RL 알고리즘을 구축합니다.
• 안내된 TODO와 전체 솔루션이 포함된 연습을 별도 노트북으로 제공하여 자기 주도 학습이 가능합니다.
• 선택적 AI 컴패니언(VS Code 확장)은 텍스트 또는 음성으로 소크라테스식 힌트를 제공하며 Gemini(기본), OpenAI, Anthropic 또는 Groq를 지원합니다.
• Docker 기반 설정은 GPU 및 CPU 변형으로 재현 가능한 환경을 보장하며 네이티브 설정 경로도 제공합니다.
• TensorBoard, 체크포인팅, 디버깅, 다중 시드, Ray, Optuna와 같은 프로덕션 관행을 다룹니다.