# \#jupyter **URL:** https://discuss.pytorch.kr/tag/jupyter/6901.md [최신](https://discuss.pytorch.kr/latest.md) · [카테고리](https://discuss.pytorch.kr/categories.md) · [태그](https://discuss.pytorch.kr/tags.md) --- ## [All RL Algorithms from Scratch: 18가지 강화학습 알고리즘을 밑바닥부터 구현한 교육용 저장소](https://discuss.pytorch.kr/t/all-rl-algorithms-from-scratch-18/11093)
**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\ **댓글:** 0\ **마지막 업데이트:** [7월 5, 2026, 7:30오전 UTC](https://discuss.pytorch.kr/t/all-rl-algorithms-from-scratch-18/11093 "2026-07-05T07:30:42Z")
All RL Algorithms from Scratch 소개 All RL Algorithms from Scratch는 강화학습(Reinforcement Learning) 알고리즘 18가지를 파이썬으로 직접 구현해 모아 둔 교육용 저장소입니다. 저자는 이 저장소의 일차적 목표가 교육 이며, 알고리즘이 내부에서 어떻게 동작하는지 깊이 있고 직관적으로 이해하는 데 있다고 밝히고 있습니다. 본 게시물에서는 이 저장소가 다루는 알고리즘 구성과 학습 방식, 사용법을 정리합니다. 핵심은 성능 최적화된 라이브러리가 아니라는 점입니다. 저자는 속도나 고급 기능보다 가독성과 명료함을 우선했다고 못 박으며, 이 저장소를 "강화학습을 위한 인터랙티브 교과서" 로 부릅니다. 복잡한 RL 라이브러리의 추상화 없이 NumPy, Matplotlib, PyTorch 같은 기본 라이브러리만으로 알고리즘의 핵심 로직을 드러내는 것이 설계 방향입니다. 각 알고리즘은 저마다의 주피터 노트북(.ipynb) 파일로 제공되며, 단계별 설명과 구현이 함께 담겨 있습니다. 하이퍼파라미터를 바꾸거나 환경을 수정하며 결과를 눈으로 확인할 수 있도록 구성되어, RL을 처음 접하는 사람도 개념을 실험하면서 익힐 수 있습니다. 저장소에는 핵심 개념과 알고리즘을 한눈에 정리한 치트시트(cheat sheet)도 포함되어 있습니다. All RL Algorithms from Scratch가 다루는 알고리즘 저장소는 기본 탐색 봇부터 계획 기반 방법까지 18개의 노트북을 담고 있습니다. 알고리즘은 크게 가치 기반, 정책 기반, 액터-크리틱, 계획·모델 기반의 네 계열로 나눌 수 있습니다. 가치 기반(Value-Based): 벨만 방정식으로 최적 행동 가치 함수를 학습하는 Q-Learning, 실제로 취한 행동을 기준으로 갱신하는 온폴리시 방식의 SARSA와 Expected SARSA, 그리고 심층 신경망을 결합해 고차원 상태 공간을 다루는 DQN이 포함됩니다. 정책 기반(Policy-Based): 에피소… --- ## [TorchCode: PyTorch 핵심 연산을 직접 구현하며 배우는 LeetCode 스타일 머신러닝 인터뷰 연습 플랫폼](https://discuss.pytorch.kr/t/torchcode-pytorch-leetcode/9308)
**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\ **댓글:** 0\ **마지막 업데이트:** [3월 22, 2026, 5:30오전 UTC](https://discuss.pytorch.kr/t/torchcode-pytorch-leetcode/9308 "2026-03-22T05:30:02Z")
TorchCode 소개 Meta, Google DeepMind, OpenAI 같은 기업들은 AI/ML 엔지니어 분야 지원자들에게 채용 면접에서 핵심 연산을 화이트보드에 직접 구현할 것을 요구합니다. 논문을 읽고 이해하는 것만으로는 충분하지 않고, softmax, LayerNorm, MultiHeadAttention, 완전한 Transformer 블록까지 코드로 작성할 수 있어야 합니다. 이러한 배경에서 탄생한 TorchCode는 PyTorch 핵심 연산과 아키텍처를 직접 구현하며 연습할 수 있는 LeetCode 스타일의 오픈소스 플랫폼입니다. TorchCode는 Jupyter Notebook 기반으로 동작하며, Docker를 통해 로컬 환경에 셀프 호스팅하거나 Hugging Face Spaces에서 온라인으로 바로 사용할 수 있습니다. GPU 없이도 모든 문제를 풀 수 있다는 점이 특징이며, 문제를 제출하면 자동 채점기(Judge)가 정확성 검사, 그래디언트 검증, 실행 시간 측정까지 즉각적으로 수행합니다. 경쟁 프로그래밍처럼 각 테스트 케이스별로 컬러로 표시된 통과/실패 결과를 확인할 수 있어 학습 피드백이 매우 직관적입니다. 현재 40개의 엄선된 문제가 제공되며, 이는 실제 ML 인터뷰에서 가장 자주 출제되는 주제들로 구성되어 있습니다. 막힐 때는 정답 없이 방향만 제시하는 힌트 기능을 사용할 수 있고, 풀이 후에는 최적화된 레퍼런스 솔루션을 공부할 수 있습니다. 각 문제는 풀이 횟수, 최고 시간 등 진행 상황을 추적하며, 툴바의 원클릭 초기화 버튼으로 같은 문제를 몇 번이든 다시 연습할 수 있습니다. TorchCode의 주요 기능 및 특징 40개의 엄선된 PyTorch 문제 TorchCode에는 실제 ML 인터뷰에서 빈출하는 주제들로 구성된 40개의 문제가 포함되어 있습니다. softmax, LayerNorm 같은 기본 연산부터 MultiHeadAttention, GPT-2 전체 아키텍처 구현까지 난이도별로 구성되어 있어 단계적으로 실력을…