Synapse Academy
すべてのフェーズ
フェーズ 09

強化学習

実践から学ぶエージェント。RLHF の基盤技術。

12 レッスン

このフェーズのレッスン

  1. 1MDP — 状態・行動・報酬
  2. 2動的計画法 — 方策反復と価値反復
  3. 3モンテカルロ法 — 完全エピソードからの学習
  4. 4時間差分学習 — Q 学習と SARSA
  5. 5深層 Q ネットワーク（DQN）
  6. 6方策勾配法 — REINFORCE をスクラッチから実装
  7. 7Actor-Critic — A2C と A3C
  8. 8近接方策最適化（PPO）
  9. 9報酬モデリングと RLHF
  10. 10マルチエージェント強化学習
  11. 11シミュレーションから実世界への転移（Sim-to-Real）
  12. 12ゲームへの強化学習適用 — AlphaZero・MuZero と LLM 推論時代