کتاب یادگیری تقویتی عمیق با شبکه‌های کیو با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره یادگیری تقویتی عمیق با شبکه‌های کیو

موضوع کلی: یادگیری تقویتی چندعامله (MARL)

موضوع میانی: Deep Q-Networks (DQN)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری تقویتی عمیق
• 2. مفاهیم پایه یادگیری تقویتی
• 3. عامل، محیط، حالت، عمل، پاداش
• 4. وظیفه یادگیری تقویتی
• 5. مدل‌های یادگیری تقویتی
• 6. یادگیری مبتنی بر ارزش
• 7. یادگیری مبتنی بر سیاست
• 8. یادگیری ترکیبی ارزش و سیاست
• 9. شبکه‌های عصبی عمیق در یادگیری تقویتی
• 10. شبکه‌های عصبی کانولوشنی
• 11. شبکه‌های عصبی بازگشتی
• 12. شبکه کیو (Q-Network)
• 13. یادگیری Q عمیق (DQN)
• 14. بهینه‌سازی DQN
• 15. حافظه بازپخش (Replay Memory)
• 16. هدف‌گذاری شبکه (Target Network)
• 17. الگوریتم DQN پیشرفته
• 18. Double DQN
• 19. Dueling DQN
• 20. Prioritized Experience Replay
• 21. Actor-Critic Methods
• 22. یادگیری مبتنی بر سیاست گرادیان
• 23. Actor-Critic استاندارد
• 24. A3C (Asynchronous Advantage Actor-Critic)
• 25. A2C (Advantage Actor-Critic)
• 26. DDPG (Deep Deterministic Policy Gradient)
• 27. TD3 (Twin Delayed Deep Deterministic Policy Gradient)
• 28. SAC (Soft Actor-Critic)
• 29. یادگیری تقویتی در رباتیک
• 30. کنترل ربات‌های متحرک
• 31. یادگیری حرکات رباتیک
• 32. یادگیری تقویتی برای بازی‌ها
• 33. آتاری با DQN
• 34. بازی‌های استراتژیک
• 35. یادگیری تقویتی در سیستم‌های توصیه‌گر
• 36. تطبیق محتوا
• 37. شخصی‌سازی
• 38. یادگیری تقویتی در مالی
• 39. معامله‌گری الگوریتمی
• 40. مدیریت پورتفولیو
• 41. یادگیری تقویتی در سلامت
• 42. تشخیص بیماری
• 43. درمان شخصی‌سازی شده
• 44. یادگیری تقویتی در پردازش زبان طبیعی
• 45. تولید متن
• 46. خلاصه‌سازی متن
• 47. یادگیری تقویتی با پاداش‌های پراکنده
• 48. مشکل پاداش‌های پراکنده
• 49. تکنیک‌های مقابله با پاداش پراکنده
• 50. یادگیری تقویتی با حالت‌های پیوسته
• 51. پیاده‌سازی شبکه‌های عصبی برای حالت پیوسته
• 52. یادگیری تقویتی با اعمال پیوسته
• 53. پیاده‌سازی شبکه‌های عصبی برای اعمال پیوسته
• 54. یادگیری تقویتی چند عاملی
• 55. هماهنگی بین عامل‌ها
• 56. رقابت بین عامل‌ها
• 57. یادگیری تقویتی با مدل محیط
• 58. یادگیری مدل محیط
• 59. استفاده از مدل محیط برای برنامه‌ریزی
• 60. یادگیری تقویتی شبیه سازی شده
• 61. پیاده‌سازی شبیه‌سازهای واقع‌گرایانه
• 62. اعتبارسنجی مدل‌ها
• 63. یادگیری تقویتی با اکتشاف
• 64. استراتژی‌های اکتشاف
• 65. مقابله با اکتشاف ناکارآمد
• 66. یادگیری تقویتی با انتقال دانش
• 67. یادگیری از وظایف مشابه
• 68. بهبود کارایی با انتقال دانش
• 69. مباحث پیشرفته در شبکه‌های کیو
• 70. شبکه‌های کیو مولد
• 71. شبکه‌های کیو توضیحی
• 72. یادگیری تقویتی در یادگیری ماشین
• 73. ترکیب با یادگیری عمیق
• 74. کاربردها در بینایی ماشین
• 75. یادگیری تقویتی در هوش مصنوعی
• 76. توسعه عامل‌های هوشمند
• 77. حل مسائل پیچیده
• 78. ملاحظات اخلاقی در یادگیری تقویتی
• 79. سوگیری در داده‌ها
• 80. تأثیر بر تصمیم‌گیری
• 81. ارزیابی عملکرد عامل‌های یادگیری تقویتی
• 82. معیارهای ارزیابی
• 83. مقایسه الگوریتم‌ها
• 84. تنظیم ابرپارامترها در یادگیری تقویتی
• 85. روش‌های تنظیم ابرپارامتر
• 86. اهمیت ابرپارامترها
• 87. یادگیری تقویتی با حافظه بلند مدت
• 88. شبکه‌های حافظه
• 89. مدل‌های مبتنی بر توجه
• 90. یادگیری تقویتی با پاداش‌های پیچیده
• 91. طراحی توابع پاداش
• 92. مشکلات طراحی پاداش
• 93. یادگیری تقویتی در سیستم‌های توزیع شده
• 94. هماهنگ‌سازی عامل‌ها در سیستم توزیع شده
• 95. مدیریت منابع در سیستم توزیع شده
• 96. یادگیری تقویتی با داده‌های کم
• 97. روش‌های داده کارآمد
• 98. یادگیری تقویتی با داده‌های محدود
• 99. تکنیک‌های تنظیم شبکه در یادگیری تقویتی
• 100. تنظیم بهینه پارامترهای شبکه