AI가 로또 번호 예측에 도전한다면? A2C 알고리즘 실험기

지난 글에서는 PPO, DQN 같은 강화학습 알고리즘을 활용해 로또 번호 예측 실험을 진행했지만, 아직 "확실한 전략"을 발견하진 못했습니다.그래서 이번에는 A2C(Advantage Actor Critic) 알고리즘을 실험에 투입해 보았습니다.이번엔 과연 AI가 한 단계 더 진화한 모습을 보여줄 수 있었을까요?🧪 실험 환경은 동일하게 유지!이번 실험도 지난 실험과 마찬가지로 다음과 같은 환경을 기반으로 진행했습니다:환경: 실제 로또 회차 데이터 (번호, 빈도 등)행동: 1~45번 중 6개의 번호 선택보상: 선택한 번호와 실제 당첨 번호의 일치도에 따라 점수 부여 보상 체계는 다음과 같습니다:맞춘 개수보상 점수6개 (1등)+10005개+2004개+503개+102개+31개+10개-1 이러한 보상 체계 덕분..

• format_list_bulleted Data Reverse Engineering
• · 2025. 5. 9.
• textsms

PPO 다음은 DQN! AI 강화학습, 이번엔 더 나은 결과일까?

지난 실험에서는 PPO(Proximal Policy Optimization) 에이전트를 활용해 AI 강화학습 기반 로또 번호 예측을 시도했습니다. 수십만 번의 학습을 반복하며 AI가 조금씩 당첨에 가까운 번호를 고르도록 유도했죠.이번에는 또 다른 방식의 강화학습 알고리즘, DQN(Deep Q-Network) 을 도입해 같은 문제에 도전해보았습니다. 과연 어떤 결과가 나왔을까요? 🧠 DQN은 어떤 방식인가요?강화학습 알고리즘은 크게 두 가지로 나뉩니다.PPO: 정책 기반(policy-based) 방식으로, 확률을 바탕으로 행동을 선택합니다.DQN: 가치 기반(value-based) 방식으로, 각 행동의 예상 보상(Q-value)을 계산해 가장 좋은 선택을 합니다.즉, DQN은 "가능한 행동 중 보상이 가..

• format_list_bulleted Data Reverse Engineering
• · 2025. 5. 8.
• textsms

AI, 새로운 전략으로 로또 데이터 분석에 도전하다!

AI는 이제 단일 모델의 한계를 넘어서, 여러 모델을 결합하는 앙상블(Ensemble) 전략으로 돌아왔습니다.지난 실험에서는 Random Forest와 LSTM 모델을 적용했지만, 실제 데이터 예측에서는 아쉬운 결과를 보였죠.이번엔 AI 모델들이 힘을 합쳤습니다. 어떤 결과가 나왔을까요? 🎯 🤖 “AI, 협업을 시작하다”지금까지의 과정은 다음과 같았습니다:과거 로또 번호 데이터를 수집하고데이터 전처리를 통해 학습에 적합한 형식으로 가공한 뒤머신러닝(Random Forest)과 딥러닝(LSTM) 모델로 분석을 시도했습니다.그러나 결과적으로, 예측의 정밀도는 기대에 미치지 못했습니다.그래서 이번에는 여러 모델의 결과를 조합해 성능을 높이는 앙상블 전략을 도입했습니다.앙상블이란 간단히 말해,“서로 다른 A..

• format_list_bulleted Data Reverse Engineering
• · 2025. 5. 2.
• textsms