اکسپرس 24
کتاب یادگیری تقویتی در عمل: کار با PyMARL

کتاب یادگیری تقویتی در عمل: کار با PyMARL

تگ‌ها: MARL PyMARL برنامه‌نویسی پایتون عامل‌های هوشمند هوش مصنوعی یادگیری تقویتی یادگیری تقویتی چندعامله یادگیری تقویتی عملی یادگیری ماشین

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 62,488 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

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

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • 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 کتاب همانجا 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

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره یادگیری تقویتی در عمل: کار با PyMARL

موضوع کلی: یادگیری تقویتی چندعامله (MARL)

موضوع میانی: PyMARL

📋 سرفصل‌های دوره

  • 1. مقدمه‌ای بر یادگیری تقویتی چند عاملی
  • 2. مفاهیم پایه یادگیری تقویتی
  • 3. حالت، عمل، پاداش و سیاست
  • 4. تابع ارزش و تابع کیفیت-عمل
  • 5. روش‌های یادگیری تقویتی مبتنی بر مدل
  • 6. روش‌های یادگیری تقویتی بدون مدل
  • 7. یادگیری تقویتی تفاضلی زمانی (TD Learning)
  • 8. یادگیری Q
  • 9. یادگیری SARSA
  • 10. یادگیری عمیق تقویتی (Deep RL)
  • 11. شبکه‌های عصبی در یادگیری تقویتی
  • 12. شبکه‌های عصبی کانولوشنی (CNN)
  • 13. شبکه‌های عصبی بازگشتی (RNN)
  • 14. معماری‌های Deep RL
  • 15. DQN (Deep Q-Network)
  • 16. Double DQN
  • 17. Dueling DQN
  • 18. Prioritized Experience Replay
  • 19. Actor-Critic Methods
  • 20. A2C (Advantage Actor-Critic)
  • 21. A3C (Asynchronous Advantage Actor-Critic)
  • 22. DDPG (Deep Deterministic Policy Gradient)
  • 23. TD3 (Twin Delayed DDPG)
  • 24. SAC (Soft Actor-Critic)
  • 25. یادگیری تقویتی چند عاملی (MARL)
  • 26. چالش‌های یادگیری تقویتی چند عاملی
  • 27. فضاهای حالت و عمل مشترک در MARL
  • 28. فضاهای حالت و عمل جداگانه در MARL
  • 29. هماهنگی و رقابت در MARL
  • 30. مدل‌های همکاری در MARL
  • 31. مدل‌های رقابتی در MARL
  • 32. مدل‌های مختلط در MARL
  • 33. PyMARL: چارچوب یادگیری تقویتی چند عاملی
  • 34. نصب و راه‌اندازی PyMARL
  • 35. ساختار پروژه‌های PyMARL
  • 36. محیط‌های آزمایشی در PyMARL
  • 37. StarCraft II Environment
  • 38. SMAC (Simplified Multi-Agent StarCraft)
  • 39. توسعه محیط‌های سفارشی در PyMARL
  • 40. معرفی الگوریتم‌های PyMARL
  • 41. VDN (Value Decomposition Networks)
  • 42. QMIX (Q-value Mixing)
  • 43. MADDPG (Multi-Agent DDPG)
  • 44. COMA (Counterfactual Multi-Agent Policy Gradients)
  • 45. IQL (Independent Q-Learning)
  • 46. ناظران (Agents) در PyMARL
  • 47. پیکربندی ناظران
  • 48. آموزش ناظران
  • 49. تنظیمات هایپرپارامترها
  • 50. ارزیابی عملکرد ناظران
  • 51. تجسم نتایج در PyMARL
  • 52. مثال‌های کاربردی PyMARL
  • 53. مدیریت ترافیک شهری با MARL
  • 54. کنترل ربات‌های صنعتی با MARL
  • 55. بازی‌های چند نفره با MARL
  • 56. بهینه‌سازی منابع در شبکه‌های توزیع شده
  • 57. یادگیری تقویتی برای سیستم‌های توصیه‌گر
  • 58. سیستم‌های توصیه‌گر مبتنی بر عامل
  • 59. ملاحظات اخلاقی در MARL
  • 60. حریم خصوصی و امنیت در MARL
  • 61. تعصب و عدالت در الگوریتم‌های MARL
  • 62. مباحث پیشرفته در MARL
  • 63. یادگیری تقویتی با عاملان نامتقارن
  • 64. یادگیری تقویتی با ارتباطات بین عاملان
  • 65. یادگیری تقویتی در زمان-واقعی
  • 66. یادگیری تقویتی برای رباتیک
  • 67. یادگیری تقویتی در سیستم‌های فیزیکی
  • 68. کاربرد PyMARL در تحقیقات علمی
  • 69. مقایسه PyMARL با سایر چارچوب‌ها
  • 70. روندهای آینده در MARL
  • 71. انتخاب الگوریتم مناسب برای مسئله
  • 72. شناسایی چالش‌های خاص مسئله
  • 73. طراحی تابع پاداش مؤثر
  • 74. ملاحظات پیاده‌سازی در PyMARL
  • 75. استفاده از GPU برای تسریع آموزش
  • 76. مدیریت حافظه در مسائل بزرگ
  • 77. عیب‌یابی و اشکال‌زدایی در PyMARL
  • 78. روش‌های بهبود پایداری آموزش
  • 79. مطالعه موردی: کنترل ناوگان وسایل نقلیه خودران
  • 80. مطالعه موردی: هماهنگی ربات‌های انبار
  • 81. مطالعه موردی: مدیریت منابع انرژی هوشمند
  • 82. مطالعه موردی: بازی‌های استراتژیک پیچیده
  • 83. روش‌های ارزیابی robust بودن عاملان
  • 84. تست در سناریوهای ناشناخته
  • 85. تکنیک‌های اکتشاف و بهره‌برداری
  • 86. یادگیری تقویتی با اطلاعات محدود
  • 87. یادگیری تقویتی در محیط‌های پویا
  • 88. مفاهیم یادگیری ماشین در MARL
  • 89. یادگیری تقویتی مبتنی بر مدل‌های احتمالی
  • 90. شبکه‌های عصبی گراف (GNN) در MARL
  • 91. روش‌های یادگیری تقویتی جمعی
  • 92. کاربرد PyMARL در حل مسائل بهینه‌سازی
  • 93. پیاده‌سازی الگوریتم‌های جدید در PyMARL
  • 94. مشارکت در جامعه PyMARL
  • 95. نکات پایانی و راهنمایی برای پروژه‌های آتی

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

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

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • 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 کتاب همانجا 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.