diff --git "a/week3/3\354\243\274\354\260\250_\354\235\264\355\230\204\354\232\260.md" "b/week3/3\354\243\274\354\260\250_\354\235\264\355\230\204\354\232\260.md"
new file mode 100644
index 0000000..6082f0a
--- /dev/null
+++ "b/week3/3\354\243\274\354\260\250_\354\235\264\355\230\204\354\232\260.md"
@@ -0,0 +1,71 @@
+# HAI 논문 스터디 3주차
+### Mastering the game of Go with deep neural networks and tree search
+
+
+## Abstract
+바둑은 인공지능에게 여러가지로 어려움
+* 힘든 의사 결정
+* 엄청난 탐색 공간
+* 최적의 해결책을 찾기에 매우 복잡
+
+상태를 평가하기 위한 value network와 수를 도출하기 위한 policy network를 사용하는 방법을 제한
+$\Rightarrow$탐색 없이도 기존 sota 수준 달성
+
+MCTS에 value, policy network를 적용하는 방법론 제안
+$\Rightarrow$다른 바둑 프로그램에 대해선 99.8%의 승률을 달성하며 프로를 뛰어넘음
+
+## Networks
+
+* Policy network  
+움직임에 대한 가능성을 출력
+
+* Value network  
+위치에 대해서 예상되는 결과를 출력
+
+## Policy network
+지도 학습과 강화 학습 두가지 방법을 통해 학습
+
+지도학습: KGS Go Server의 3천만 가지의 위치에서 학습  
+강화학습: 자기대국을 통해 모델을 학습
+
+## Value network
+이론적으로 perfect play에서의 optimal value function이 존재하지만 perfect play policy를 알수가 없음
+
+따라서 strongest policy인 RL policy에 대한 value function을 타겟으로 학습함
+
+## Monte Carlo Tree Search
+총 4단계로 나누어짐
+
+* selection  
+cuttent state에서 시작해서 leaf node에 도달할 때까지 자식 노드를 선택
+
+* expansion  
+leaf node의 state에서 가능한 action들로 새로운 child node를 생성
+
+* simulation  
+leaf node로부터 terminal state까지 simulation을 진행
+
+* backpropagation  
+root node까지 거슬러 올라가며 node에 simulation 결과 반영
+
+## Evaluation
+Elo 레이팅은 체스나 바둑과 같은 분야에서 플레이어들의 실력을 표현하기 위해 만든 점수 측정 방식
+
+기존의 바둑 프로그램들이 아마추어 정도였던것과 달리 알파고는 판후이, 즉 프로와 같은 점수를 받으며 이는 분산된 환경에서는 더 높아짐
+
+Rollouts, Value network, Policy network 이 세개의 구성 요소 중 하나씩 제거하였을때 모두 Elo 점수가 떨어지며 이는 모든 구성 요소가 중요함을 보여줌
+
+당연하게도 더 많은 컴퓨팅 자원이 있을때 알파고의 성능 또한 향상
+
+
+## Conclusion
+이 연구에서 뉴럴 네트워크와 트리 서치의 조합에 기반한 바둑 프로그램이 프로 기사 레벨에 달성함
+
+다른 도메인에서도 인공지능을 활용하면 사람과 비슷한 성능을 달성할 수 있을 것이라는 희망을 줌
+
+## Follow-up Studies
+* AlphaGo Zero  
+인간의 데이터와 게임 규칙과 같은 도메인 지식 없이도 오직 강화 학습만으로도 인간을 뛰어넘는 성능을 달성함
+
+* AlphaZero  
+다양한 까다로운 영역에서 인간을 뛰어넘는 성능을 달성하는 알파제로 알고리즘을 보여줌
\ No newline at end of file