강화학습 개요 및 텐서플로우 소개

 - 머신러닝 리뷰 및 소개

 - Markov Decision Processes

 - 딥러닝 프레임워크 텐스플로우 소개

 - 라이브러리 설치 및 환경 설정

 - 예제를 통한 텐서플로우 사용법 익히기

강화학습의 이론적 기반 : MDP

 - 강화학습의 핵심, Bellman Equation

 - 가치 기반 알고리즘: Value Iteration

 - 정책 기반 알고리즘: Policy Iteration

 - Gridworld 예제에 Value Iteration 적용 실습

 - Gridworld 예제에 Policy Iteration 적용 실습

고전 강화학습 : Q-Learning

 - Dynamic Programming의 한계

 - Q-Learning / SARSA

 - SARSA와 Q-Learning 적용 및 비교 실습

강화학습과 딥러닝의 만남

 - 고전 강화학습 알고리즘의 한계

 - Double Q-Learning과 DDQN

 - OpenAI gym의 소개와 Cartpole 예제 실습

정책기반의 강화학습

 - Policy gradient의 이론

 - 기본적인 알고리즘, REINFORCE

 - 최적화 관점에서 강화 학습: TRPO, PPO

 - REINFORCE 및 PPO 알고리즘 적용 실습

Actor-Critic기반의 강화학습 알고리즘

 - Actor-Critic 이론 소개

 - Deep Deterministic Policy Gradient

 - DDPG 알고리즘 적용 실습
실용적 강화학습 알고리즘

 - Reward Shaping 방법론  

 - Softmax 분포, Sparsemax 분포 실습

 - Thomson Sampling, Bayes 최적화 분포 실습

 - 여러 가지 탐색 방법의 수렴 속도 비교

역강화학습

 - 역강화 학습 소개

 - 최대 엔트로피 역강화 학습

 - 최대 마진 계획법

 - 역강화 학습과 GAN: GAIL

 - Maximum Entropy IRL 적용 실습  

 - MountainCar 예제에 GAIL 적용