Project

KRAFT: 코스피 선물 RL 트레이더 KRAFT: KOSPI 200 Reinforcement-learning Agent for Futures Trading

PPO 알고리즘을 활용해 KOSPI 200 미니 선물 시장에서 스윙 트레이더 에이전트를 개발했습니다. 실제 거래를 반영하기 위해 슬리피지와 수수료를 포함한 강화학습 환경을 구축하고, Sharpe Ratio 0.8과 최대 낙폭 -12%를 기록했습니다. 복합 보상 설계와 KL Penalty를 통해 정책 안정화를 구현했으며, 현재는 xAI 적용 및 성능 향상을 위한 개선을 진행 중입니다.Developed a swing trader agent for the KOSPI 200 mini futures market using the PPO algorithm. Built a reinforcement learning environment that incorporates slippage and commissions to reflect actual trading conditions, achieving a Sharpe Ratio of 0.8 and a maximum drawdown of -12%. Implemented complex reward design and KL Penalty for policy stabilization, and currently working on xAI application and performance improvement.

PythonPytorchPandasNumPyCustom Futures Market Simulator

AiGO: CV·로보틱스 기반 오목 AI AiGO: End-to-End AI for Gomoku with Vision and Robotics

4축 로봇팔(end-effector: suction)을 제어해 인간과 AI가 함께 오목(Gomoku)을 플레이하는 듀얼 에이전트 시스템을 개발했습니다. 오목 학습에는 AlphaZero 방법론을 적용하고, 로봇 제어에는 정·역기구학을 활용했습니다. 데이터 증강, 다양한 신경망 구조, 노이즈 기반 탐험을 통해 성능을 개선해 9×9 환경에서 평균 25스텝 이상의 플레이를 달성했습니다.Developed a dual-agent system where humans and AI play Gomoku using a 4-axis robotic arm (end-effector: suction). Applied the AlphaZero methodology for Gomoku learning and utilized forward and inverse kinematics for robot control. Enhanced performance through data augmentation, various neural network architectures, and noise-based exploration, achieving an average of over 25 steps in a 9x9 environment.

PythonC++PytorchOpenCVArduinoFlask

TicTacToeArtist: CV·로보틱스 기반 틱택토 AI TicTacToeArtist: End-to-End AI for TicTacToe with Vision and Robotics

CNC 플로터 제어해 AI와 인간이 직접 상호작용하며 틱택토를 플레이할 수 있는 시스템을 구축했습니다. MCS, MCTS, Min-Max, AlphaBeta 등 다양한 방법론을 구현해 비교했고, 특히 AlphaZero 기반 강화학습 모델을 통해 최적의 플레이어 신경망을 학습했습니다. 실험 결과, AlphaZero 기반 AI가 다른 방법론 대비 가장 높은 승률을 기록했습니다.Built a system where AI and humans can play TicTacToe interactively using a CNC plotter. Implemented and compared various methodologies including MCS, MCTS, Min-Max, and AlphaBeta, with a focus on training an optimal player neural network using an AlphaZero-based reinforcement learning model. Experimental results showed that the AlphaZero-based AI achieved the highest win rate compared to other methodologies.

PythonC++PytorchOpenCVArduino

MineSolver: 지뢰찾기 DQN 에이전트 MineSolver: DQN Agent for Minesweeper

DQN 방법론을 활용해 지뢰찾기 문제를 해결하는 에이전트를 개발했습니다. 초급 난이도에서 평균 승률 84%를 달성했으며, 실제 활용을 위해 웹 배포까지 구현했습니다. 동아리 내에서 가장 높은 성능을 기록한 강화학습 에이전트로 자리매김했습니다.Developed a DQN-based agent to solve the Minesweeper problem. Trained a model that achieved an average win rate of 84% on beginner difficulty, and deployed it on the web for practical use. Recognized as the highest-performing reinforcement learning agent within the club.

PythonPytorchJavascriptmatplotlib

리그오브레전드 전략 패턴 시각화 LoL-StrategyInsight: Visual Analytics of League of Legends Strategy Patterns

진입 장벽이 높은 게임인 *리그 오브 레전드(LoL)*의 기본적인 게임 양상을 시각화하여 초심자의 이해를 돕는 것을 목표로 했습니다. 파이썬을 활용한 데이터 크롤링과 전처리를 기반으로, R의 Tidyverse 패키지와 다양한 시각화 기법을 적용했으며, Shiny를 통해 복잡한 네트워크 관계를 분석·표현했습니다. 이를 통해 LoL의 전략적 패턴을 직관적으로 탐색할 수 있는 시각화 자료를 구축했습니다.Developed a visual analytics tool to help beginners understand the complex gameplay of *League of Legends (LoL)* by visualizing its fundamental game aspects. Leveraged Python for data crawling and preprocessing, applied various visualization techniques using R's Tidyverse package, and utilized Shiny to analyze and represent complex network relationships. This resulted in the creation of a visualization resource that allows for intuitive exploration of strategic patterns in LoL.

PythonBeautifulSoupSeleniumRTidyverseShinyVisualization

DigitFusion: 필기 숫자 분류기 DigitFusion: Handwritten Digit Classifier

MNIST 데이터셋을 기반으로 CNN 신경망을 학습해 숫자 분류기를 제작하고, 직접 수집한 필기 데이터셋을 추가 학습에 활용했습니다. 데이터 증강(회전, 확대 등)과 스케일링 기법을 적용해 예측 성능을 개선했으며, 학습 과정에서 발생한 문제들을 해결하며 모델을 발전시켰습니다.Developed a digit classifier based on the MNIST dataset using a CNN architecture, and further trained it with a custom handwritten dataset that I collected. Applied data augmentation techniques (rotation, scaling, etc.) and scaling methods to improve prediction performance, while addressing issues that arose during the training process to enhance the model.

PythonPytorchPyQt5