کتاب مقدمه‌ای بر یادگیری تقویتی چندعامله در تدارکات نوین

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 مقدمه‌ای بر یادگیری تقویتی چندعامله در تدارکات نوین

موضوع کلی: یادگیری تقویتی چندعامله (MARL)

موضوع میانی: یادگیری تقویتی چندعامله برای استراتژی‌های مدیریت تدارکات

📋 سرفصل‌های دوره

  • 1. مبانی یادگیری تقویتی
  • 2. مفهوم عامل و محیط
  • 3. حالات و اقدامات عامل
  • 4. تابع پاداش
  • 5. مدل‌های مارکوف تصمیم‌گیری (MDP)
  • 6. تعریف MDP
  • 7. فضای حالات و اقدامات
  • 8. تابع انتقال حالت
  • 9. تابع پاداش در MDP
  • 10. حل MDP با برنامه‌ریزی پویا
  • 11. روش‌های ارزش‌گذاری
  • 12. روش‌های کنترل بهینه
  • 13. یادگیری تقویتی بدون مدل
  • 14. یادگیری Q
  • 15. الگوریتم Q-learning
  • 16. به‌روزرسانی Q-learning
  • 17. یادگیری SARSA
  • 18. مقایسه Q-learning و SARSA
  • 19. یادگیری تقویتی عمقی (Deep RL)
  • 20. شبکه‌های عصبی در RL
  • 21. Deep Q-Networks (DQN)
  • 22. بهبودهای DQN
  • 23. Double DQN
  • 24. Dueling DQN
  • 25. Prioritized Experience Replay
  • 26. Actor-Critic Methods
  • 27. Actor-Critic
  • 28. A2C (Advantage Actor-Critic)
  • 29. A3C (Asynchronous Advantage Actor-Critic)
  • 30. DDPG (Deep Deterministic Policy Gradient)
  • 31. TD3 (Twin Delayed Deep Deterministic Policy Gradient)
  • 32. SAC (Soft Actor-Critic)
  • 33. یادگیری تقویتی چندعامله (MARL)
  • 34. مفهوم عامل‌های متعدد
  • 35. چالش‌های MARL
  • 36. فضای حالت-اقدام مشترک
  • 37. همکاری بین عامل‌ها
  • 38. رقابت بین عامل‌ها
  • 39. محیط‌های مشترک
  • 40. ارتباطات بین عامل‌ها
  • 41. مدل‌های کلاسیک MARL
  • 42. Independent Q-learning (IQL)
  • 43. MADDPG (Multi-Agent Deep Deterministic Policy Gradient)
  • 44. QMIX
  • 45. VDN (Value Decomposition Networks)
  • 46. COMA (Counterfactual Multi-Agent Policy Gradients)
  • 47. تدارکات نوین
  • 48. مقدمه‌ای بر زنجیره تأمین
  • 49. مدیریت موجودی در تدارکات
  • 50. روش‌های پیش‌بینی تقاضا
  • 51. مدیریت حمل و نقل
  • 52. بهینه‌سازی مسیر
  • 53. انبارداری هوشمند
  • 54. اتوماسیون در انبار
  • 55. مدیریت ریسک در زنجیره تأمین
  • 56. تحلیل داده در تدارکات
  • 57. نقش هوش مصنوعی در تدارکات
  • 58. کاربرد یادگیری تقویتی در مدیریت موجودی
  • 59. بهینه‌سازی سطح موجودی با RL
  • 60. پیش‌بینی تقاضا با RL
  • 61. کاربرد RL در مسیریابی وسایل نقلیه
  • 62. بهینه‌سازی زمان‌بندی تحویل با RL
  • 63. کاربرد RL در مدیریت انبار
  • 64. بهینه‌سازی تخصیص منابع در انبار با RL
  • 65. کاربرد RL در مدیریت ریسک زنجیره تأمین
  • 66. پیش‌بینی و کاهش اختلالات با RL
  • 67. کاربرد RL در مذاکرات تامین‌کنندگان
  • 68. بهینه‌سازی قراردادها با RL
  • 69. کاربرد RL در مدیریت حمل و نقل هوشمند
  • 70. بهینه‌سازی جریان کالا با RL
  • 71. کاربرد RL در برنامه‌ریزی تولید
  • 72. هماهنگی تولید و عرضه با RL
  • 73. کاربرد RL در مدیریت انبار خودکار
  • 74. بهینه‌سازی ربات‌های انبار با RL
  • 75. کاربرد RL در پیش‌بینی خرابی تجهیزات
  • 76. نگهداری پیشگیرانه با RL
  • 77. کاربرد RL در مدیریت لجستیک معکوس
  • 78. بهینه‌سازی بازگشت کالا با RL
  • 79. کاربرد RL در مدیریت خدمات پس از فروش
  • 80. بهینه‌سازی پاسخ به مشتریان با RL
  • 81. کاربرد RL در زنجیره تأمین پایدار
  • 82. بهینه‌سازی مصرف انرژی با RL
  • 83. کاربرد RL در مدیریت داده‌های حجیم تدارکات
  • 84. تحلیل پیشرفته داده با RL
  • 85. کاربرد RL در سیستم‌های توصیه‌گر تدارکات
  • 86. بهینه‌سازی انتخاب تامین‌کننده با RL
  • 87. کاربرد RL در شبیه‌سازی زنجیره تأمین
  • 88. ارزیابی استراتژی‌ها با RL
  • 89. کاربرد RL در کنترل کیفیت
  • 90. بهینه‌سازی بازرسی با RL
  • 91. کاربرد RL در مدیریت انبار متصل به اینترنت اشیاء
  • 92. بهینه‌سازی پویای انبار با RL
  • 93. کاربرد RL در مدیریت لجستیک شهری
  • 94. بهینه‌سازی تحویل در مناطق شهری با RL
  • 95. کاربرد RL در مدیریت اضطراری زنجیره تأمین
  • 96. واکنش سریع به بحران‌ها با RL
  • 97. کاربرد RL در بهینه‌سازی قیمت‌گذاری پویا
  • 98. تنظیم قیمت بر اساس تقاضا با RL
  • 99. کاربرد RL در مدیریت ارتباط با مشتریان
  • 100. بهینه‌سازی تجربه مشتری با RL

📚 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.