Correct Typo & Translation Done

오타 수정 및 본문 번역 완료
이후에는 코드 추가 설명 및 AlphaGo Zero cheat sheet 번역 진행 예정

04_파이썬과_케라스를_이용한_알파제로_만들기.md

@@ -10,7 +10,7 @@
 
 
 
-> 이 문서는 인간의 사전 지식 없이도 게임을 마스터할 수 있는 일반화된 강화학습 알고리즘인 AlphaZero에 대한 튜토리얼입니다. AlphaGo -> AlphaGo Zero, AlphaZero로 이어지는 해당 알고리즘의 간략한 역사와 함께, AlphaZero가 어떤 방식으로 학습하는지 쉽게 설명합니다. 여기에 더불어 이해를 돕기 위해 원문 저자의 AlphaGo Zero에 대한 cheet sheet 또한 번역하여 첨부하였습니다. 또 Connect4 게임에 AlphaZero 알고리즘을 적용한 코드에 대해 간략하게 설명합니다.
+> 이 문서는 인간의 사전 지식 없이도 게임을 마스터할 수 있는 일반화된 강화학습 알고리즘인 AlphaZero에 대한 튜토리얼입니다. AlphaGo -> AlphaGo Zero, AlphaZero로 이어지는 해당 알고리즘의 간략한 역사와 함께, AlphaZero가 어떤 방식으로 학습하는지 쉽게 설명합니다. 여기에 더불어 이해를 돕기 위해 원문 저자의 AlphaGo Zero에 대한 cheat sheet 또한 번역하여 첨부하였습니다. 또 Connect4 게임에 AlphaZero 알고리즘을 적용한 코드에 대해 간략하게 설명합니다.
 
 
 
@@ -264,7 +264,7 @@ MEMORY_SIZE = 30000
 ```python
 from game import Game
 from funcs import playMatchesBetweenVersions
-import loggers as lg.
+import loggers as lg
 
 env = Game()
 playMatchesBetweenVersions(
@@ -337,7 +337,56 @@ logger.tourney 파일에서도 마찬가지로, 평가 단계(evaluation phase)
 
 <div style="text-align: center;font-size:80%">mini-batch 반복에 따른 loss 변화 </div>
 
-가장 위에 있는 선은 정책 머리(policy head)에서 나온 에러(MCTS에서 나온 각 수에 대한 확률의 cross entropy)다. 가장 아래 있는 선은 가치 머리(value head)에서 나온 에러(실제 게임의 가치와 신경망이 평가한 가치 간의 mean squared error)다. 가운데 있는 선은 그 둘의 평균값이다.
+가장 위에 있는 선은 정책 머리(policy head)에서 나온 에러(MCTS에서 나온 각 수에 대한 확률과 신경망에서 나온 결과 간의 cross entropy)다. 가장 아래 있는 선은 가치 머리(value head)에서 나온 에러(실제 게임의 가치와 신경망이 평가한 가치 사이의 mean squared error)다. 가운데 있는 선은 그 둘의 평균값이다.
 
+분명히, 신경망은 각 게임 상태(state)의 가치와 그 다음 움직임(move)을 점점 잘 예측하게 된다. 이렇게 점점 강해지는 것을 보여주기 위해, 반복(iteration)을 1번만 한 신경망에서부터 49번을 한 신경망까지 총 17개의 플레이어 간 리그를 시켰다. 각 플레이어는 두 번씩 맞붙었는데, 이는 두 플레이어 모두 첫 수를 두는 기회를 주기 위해서였다.
 
+여기 그 최종 순위가 있다:
 
+![](https://cdn-images-1.medium.com/max/800/1*6w75-9yupXaRyqBDDXoSRw.png)
+
+
+
+확실히, 신경망의 후기 버전이 대부분의 게임에서 초기 버전에게 이기며 더 뛰어난 모습을 보여주었다. 또한 아직 학습이 정점에 달한 것 같지는 않아 보여, 추가적인 학습 시간이 있다면 플레이어가 더 많은 복잡한 전략을 학습해 보다 강해질 수 있을 것이다.
+
+예를 들면, 시간이 지남에 따라 신경망이 좋아하게 되는 확실한 전략은 가운데 열을 빠르게 접수하는 것이다. 알고리즘의 1번째 버전과 30번째 버전의 차이를 살펴보자.
+
+**신경망 첫번째 버전**
+
+![img](https://cdn-images-1.medium.com/max/800/1*G6GDkpfwkIjlqBj5_tGXMg.png) 
+
+
+
+**신경망 30번째 버전**
+
+![](https://cdn-images-1.medium.com/max/800/1*Aimp0LuSXtd7drYLpwzTLQ.png)
+
+많은 선들이 가운데 열을 필요로 하기 때문에, 이를 선점하여 상대가 이점을 가져가지 못하게 하는 전략은 좋은 전략이라고 할 수 있다. 신경망은 인간의 어떠한 도움도 없이 이 전략을 학습했다.
+
+
+
+## 다른 게임을 학습하기
+
+**games** 폴더 안에는 'Metasquares'라는 게임을 위한 game.py 파일이 있다. 이것은 X와 O 마커를 격자판 내에 놓으면서 다른 크기의 정사각형을 만드는 게임이다. 큰 정사각형일수록 작은 정사각형보다 더 큰 점수를 얻을 수 있고, 격자판이 모두 찼을 때 더 많은 점수를 가진 플레이어가 이긴다.
+
+![](http://s3.amazonaws.com/dev-pablo.marketkarma.com/metasquares-iphone-screenshot-1.jpg)
+
+
+
+<div style="text-align: center;font-size:80%">Metasquares 게임 화면. 이해를 돕기 위해 역자가 추가로 삽입하였습니다.</div>
+
+Connect4의 game.py 파일을 Metasquares 게임의 game.py로 바꾸면, 같은 알고리즘이 대신 Metasquares 게임을 하는 방법을 학습하게 된다.
+
+
+
+## 맺으며
+
+이 글이 도움이 되었기를 바란다. 만약 코드나 글에 오타나 질문이 있다면, 아래 댓글로 남겨주면 최대한 빨리 답해주겠다.
+
+![](https://cdn-images-1.medium.com/max/800/1*eDhCRrmRljKt6DegLuwgUg.png)
+
+만약 우리 회사 Applied Data Science가 어떻게 기업을 위한 혁신적인 데이터 사이언스 솔루션을 만드는지 궁금하다면, 우리의 웹사이트나 LinkedIn을 통해 자유롭게 연락하기를 바란다.
+
+... 그리고 이 글을 좋아한다면, 따뜻한 박수(이 글이 업로드된 Medium 플랫폼은 박수 아이콘을 눌러 좋아요를 표시할 수 있습니다: 역자)를 보내주길 부탁한다 :) 
+
+Applied Data Science는 기업을 위한 end-to-end 데이터 사이언스 솔루션을 구현하여 중요한 가치를 전달하는, 런던 기반 자문 회사입니다. 만약 당신이 가진 데이터로 뭔가를 더 해보고 싶으시다면 연락 주세요.