اکسپرس 24
ترجمه فارسی مقاله یادگیری تقلیدی تک‌مرحله‌ای نیمه‌نظارتی

ترجمه فارسی مقاله یادگیری تقلیدی تک‌مرحله‌ای نیمه‌نظارتی

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی Semi-Supervised One-Shot Imitation Learning
عنوان مقاله به فارسی یادگیری تقلیدی تک‌مرحله‌ای نیمه‌نظارتی
نویسندگان Philipp Wu, Kourosh Hakhamaneshi, Yuqing Du, Igor Mordatch, Aravind Rajeswaran, Pieter Abbeel
فرمت مقاله انگلیسی PDF
تعداد صفحات 13
دسته بندی موضوعات Machine Learning,Artificial Intelligence,یادگیری ماشین , هوش مصنوعی ,
توضیحات Submitted 9 August, 2024; originally announced August 2024. , Journal ref: Reinforcement Learning Journal 1 (2024)
توضیحات به فارسی ارسال شده در 9 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد. ، مجله Ref: مجله یادگیری تقویت 1 (2024)

قیمت: 19,000 تومان

سفارش

با انتخاب این گزینه، علاوه بر دریافت مقاله اصلی، را نیز سفارش می‌دهید.

قیمت: 520,000 تومان

زمان تحویل: 2 تا 3 روز کاری

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

One-shot Imitation Learning~(OSIL) aims to imbue AI agents with the ability to learn a new task from a single demonstration. To supervise the learning, OSIL typically requires a prohibitively large number of paired expert demonstrations -- i.e. trajectories corresponding to different variations of the same semantic task. To overcome this limitation, we introduce the semi-supervised OSIL problem setting, where the learning agent is presented with a large dataset of trajectories with no task labels (i.e. an unpaired dataset), along with a small dataset of multiple demonstrations per semantic task (i.e. a paired dataset). This presents a more realistic and practical embodiment of few-shot learning and requires the agent to effectively leverage weak supervision from a large dataset of trajectories. Subsequently, we develop an algorithm specifically applicable to this semi-supervised OSIL setting. Our approach first learns an embedding space where different tasks cluster uniquely. We utilize this embedding space and the clustering it supports to self-generate pairings between trajectories in the large unpaired dataset. Through empirical results on simulated control tasks, we demonstrate that OSIL models trained on such self-generated pairings are competitive with OSIL models trained with ground-truth labels, presenting a major advancement in the label-efficiency of OSIL.

چکیده به فارسی (ترجمه ماشینی)

یادگیری تقلید یک شات ~ (OSIL) هدف از این است که عوامل هوش مصنوعی را با توانایی یادگیری یک کار جدید از یک تظاهرات واحد تحریک کند.برای نظارت بر یادگیری ، Osil به طور معمول به تعداد زیادی از تظاهرات متخصص زوج نیاز دارد - یعنی مسیرهای مربوط به تغییرات مختلف همان کار معنایی.برای غلبه بر این محدودیت ، ما تنظیمات مشکل OSIL نیمه تحت نظارت را معرفی می کنیم ، جایی که عامل یادگیری با یک مجموعه داده بزرگ از مسیرها بدون برچسب کار (یعنی یک مجموعه داده بدون جفت) ارائه می شود ، به همراه یک مجموعه داده کوچک از تظاهرات متعدد در هر کار معنایی (یعنی یک مجموعه داده زوج).این یک تجسم واقع بینانه تر و عملی تر از یادگیری چند عکس را نشان می دهد و به عامل نیاز دارد تا به طور مؤثر از نظارت ضعیف از یک مجموعه داده بزرگ مسیرها استفاده کند.پس از آن ، ما یک الگوریتم خاص برای این تنظیم OSIL نیمه تحت نظارت کاربرد دارد.رویکرد ما ابتدا یک فضای تعبیه شده را می آموزد که در آن کارهای مختلف به طور منحصر به فرد خوشه می شوند.ما از این فضای تعبیه شده و خوشه بندی آن برای ایجاد جفت شدن خود بین مسیرها در مجموعه داده های بزرگ بدون جفت استفاده می کنیم.از طریق نتایج تجربی در کارهای کنترل شبیه سازی شده ، ما نشان می دهیم که مدل های OSIL که بر روی چنین جفت های خود تولید شده آموزش دیده اند با مدل های OSIL که با برچسب های حقیقت زمین آموزش دیده اند ، رقابتی هستند و پیشرفت عمده ای در برچسب-کارآیی OSIL دارند.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.