کتاب صوتی بهینه‌سازی شخصی‌سازی با یادگیری تقویتی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره بهینه‌سازی شخصی‌سازی با یادگیری تقویتی

موضوع کلی: برنامه‌نویسی کامپیوترهای خانگی

موضوع میانی: AI for AI Personalization Engines

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری تقویتی و کاربردهای آن
• 2. عناصر اصلی یادگیری تقویتی: عامل، محیط، پاداش و سیاست
• 3. انواع محیط‌های یادگیری تقویتی: گسسته و پیوسته
• 4. مفهوم تابع ارزش و تخمین آن
• 5. معادله بلمن برای توابع ارزش
• 6. روش‌های تکرار ارزش (Value Iteration)
• 7. روش‌های سیاست‌یابی (Policy Iteration)
• 8. فضای حالت و فضای عمل در یادگیری تقویتی
• 9. روش‌های گسسته‌سازی فضا (Discretization)
• 10. تابع سیاست (Policy) و انتخاب عمل
• 11. روش‌های اکتشاف در یادگیری تقویتی (Exploration Strategies)
• 12. مفهوم ضرایب کاوش و بهره‌برداری (Exploration-Exploitation Tradeoff)
• 13. روش‌های یادگیری تقویتی مبتنی بر مدل (Model-Based RL)
• 14. روش‌های یادگیری تقویتی بدون مدل (Model-Free RL)
• 15. الگوریتم Q-Learning: اصول و پیاده‌سازی
• 16. الگوریتم SARSA: اصول و پیاده‌سازی
• 17. مقایسه Q-Learning و SARSA
• 18. روش‌های پیشرفته Q-Learning: Double Q-Learning
• 19. روش‌های پیشرفته Q-Learning: Deep Q-Network (DQN)
• 20. شبکه‌های عصبی در یادگیری تقویتی
• 21. تابع زیان (Loss Function) در یادگیری تقویتی
• 22. بهینه‌سازی گرادیان (Gradient Descent) در یادگیری تقویتی
• 23. مفهوم حافظه تجربه (Experience Replay)
• 24. مفهوم هدف (Target) در DQN
• 25. روش‌های حل مسئله چندعاملی با یادگیری تقویتی
• 26. یادگیری تقویتی در محیط‌های پویا
• 27. یادگیری تقویتی در محیط‌های با پاداش‌های پراکنده
• 28. روش‌های یادگیری تقویتی سلسله مراتبی (Hierarchical RL)
• 29. مفهوم انتقال یادگیری (Transfer Learning) در یادگیری تقویتی
• 30. کاربردهای یادگیری تقویتی در رباتیک
• 31. کاربردهای یادگیری تقویتی در بازی‌ها
• 32. کاربردهای یادگیری تقویتی در مدیریت منابع
• 33. کاربردهای یادگیری تقویتی در سیستم‌های توصیه‌گر
• 34. یادگیری تقویتی و یادگیری نظارت‌شده: مقایسه و ترکیب
• 35. یادگیری تقویتی و یادگیری بدون نظارت: مقایسه و ترکیب
• 36. آشنایی با کتابخانه‌های یادگیری تقویتی: OpenAI Gym
• 37. آشنایی با کتابخانه‌های یادگیری تقویتی: TensorFlow Agents
• 38. آشنایی با کتابخانه‌های یادگیری تقویتی: PyTorch
• 39. ارزیابی عملکرد الگوریتم‌های یادگیری تقویتی
• 40. متریک‌های ارزیابی در یادگیری تقویتی
• 41. چالش‌ها و محدودیت‌های یادگیری تقویتی
• 42. آینده یادگیری تقویتی و جهت‌گیری‌های تحقیقاتی
• 43. اخلاق و ملاحظات اجتماعی در یادگیری تقویتی
• 44. بهینه‌سازی هایپرپارامترها در یادگیری تقویتی
• 45. استفاده از یادگیری تقویتی در مسائل بهینه‌سازی ترکیبی