---
category: Unified
tags: [auto-consolidated, technical-documentation]
title: [[Markov Decision Processes|Markov Decision Processes]]
last_updated: 2026-05-02
---

# [[Markov Decision Processes|Markov Decision Processes]]

## 📌 Brief Summary
> 지식 요약 정보 추출 중...

---

> "의사결정의 수학적 지도: 불확실한 환경 속에서 로봇이나 에이전트가 어떤 '행동'을 해야 가장 큰 '보상'을 얻을 수 있는지, 상태-행동-보상-전이의 사슬로 정의하여 인공지능이 스스로 전략을 짜게 만드는 강화 학습의 청사진."

## 📖 Core Content
본문 구조화 작업 중...

---

마르코프 결정 과정(MDP)은 의사결정 문제를 확률론적 최우선으로 모델링하는 수학적 프레임워크입니다.

1.  **5대 요소 (S, A, P, R, $\gamma$)**:
    *   **[[State|State]] (S)**: 현재 상황.
    *   **Action (A)**: 할 수 있는 행동.
    *   **Transition Probability (P)**: 행동 후 다음 상태로 갈 확률.
    *   **Reward (R)**: 행동의 결과로 받는 보상.
    *   **Discount Factor ($\gamma$)**: 미래의 보상을 현재 가치로 얼마나 쳐줄 것인가.
2.  **왜 중요한가?**:
    *   인공지능이 단순히 데이터를 외우는 게 아니라, 복잡한 환경과 상호작용하며 '최적의 정책(Policy)'을 찾아가는 모든 강화 학습 알고리즘의 표준 이론이기 때문임. ([[Reinforcement Learning (RL)|Reinforcement Learning (RL)]]와 연결)

## ⚖️ Trade-offs & Caveats
- **과거 데이터와의 충돌:** 자동화 엔진에 의해 매핑된 지식으로, 추후 정밀 검증 필요.
- **정책 변화:** Graphics & Performance 분야의 자동 자산화 수행.

---

- **과거 데이터와의 충돌**: 과거에는 환경의 모든 정보를 아는 정책(Full Observability)을 전제했으나, 현대 정책은 환경의 일부만 보이는 상황([[POMDP|POMDP]]) 정책에서도 최적의 수를 찾아내는 복합 추론 정책으로 진화함(RL Update).
- **정책 변화(RL Update)**: 바둑(알파고)이나 게임을 넘어, 자율주행이나 도심 항공 모빌리티(UAM)의 경로 정책 수립 등 실생활의 거대하고 복잡한 시스템 최적화 정책의 핵심으로 작동 중임.

## 🔗 Knowledge Connections
- Raw Source: 00_Raw/2026-04-20/Markov Decision Processes.md
---

---

- [[Reinforcement Learning (RL)|Reinforcement Learning (RL)]], [[Markov-Chains|Markov-Chains]], [[Optimization|Optimization]], [[Decision Theory|Decision Theory]], [[Logic|Logic]]
- **Modern Tech/Tools**: [[Bellman Equation|Bellman Equation]], Q-Learning, PPO, Deep Reinforcement Learning.
---