اکسپرس 24
کتاب از نظریه تا عمل: الگوریتم‌های مبتنی بر سیاست در یادگیری تقویتی چندعامله

کتاب از نظریه تا عمل: الگوریتم‌های مبتنی بر سیاست در یادگیری تقویتی چندعامله

تگ‌ها: MARL الگوریتم های مبتنی بر سیاست الگوریتم های یادگیری تقویتی کنترل بهینه هوش مصنوعی یادگیری تقویتی یادگیری تقویتی چندعامله یادگیری تقویتی عمیق 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 از نظریه تا عمل: الگوریتم‌های مبتنی بر سیاست در یادگیری تقویتی چندعامله

موضوع کلی: یادگیری تقویتی چندعامله (MARL)

موضوع میانی: الگوریتم‌های مبتنی بر سیاست (Policy-based Algorithms)

📋 سرفصل‌های دوره

  • 1. مقدمه‌ای بر یادگیری تقویتی چندعامله (MARL)
  • 2. اصول اساسی یادگیری تقویتی
  • 3. عامل‌ها، محیط، پاداش و حالت
  • 4. فضای حالت و فضای عمل
  • 5. روش‌های یادگیری تقویتی مبتنی بر ارزش
  • 6. یادگیری Q-learning
  • 7. یادگیری SARSA
  • 8. روش‌های یادگیری تقویتی مبتنی بر سیاست
  • 9. تفاوت یادگیری مبتنی بر ارزش و مبتنی بر سیاست
  • 10. مزایای یادگیری مبتنی بر سیاست
  • 11. معرفی الگوریتم‌های Policy Gradient
  • 12. REINFORCE
  • 13. پیاده‌سازی REINFORCE
  • 14. یادگیری تقویتی عمیق (DRL)
  • 15. شبکه‌های عصبی در یادگیری تقویتی
  • 16. Deep Q-Networks (DQN)
  • 17. مشکلات DQN و راه‌حل‌ها
  • 18. Actor-Critic Methods
  • 19. معرفی Actor-Critic
  • 20. کاربرد Actor-Critic در MARL
  • 21. یادگیری تقویتی چندعامله (MARL)
  • 22. چالش‌های MARL
  • 23. فضای حالت و عمل مشترک
  • 24. عدم قطعیت محیط
  • 25. همکاری و رقابت بین عامل‌ها
  • 26. تعریف مسئله MARL
  • 27. انواع سناریوهای MARL
  • 28. همکاری کامل
  • 29. رقابت کامل
  • 30. مختلط
  • 31. الگوریتم‌های پایه MARL
  • 32. Independent Q-learning (IQL)
  • 33. معایب IQL
  • 34. Value Decomposition Networks (VDN)
  • 35. QMIX
  • 36. MADDPG (Multi-Agent Deep Deterministic Policy Gradient)
  • 37. معرفی MADDPG
  • 38. ساختار MADDPG
  • 39. کاربرد MADDPG در محیط‌های پویا
  • 40. DDPG برای عامل‌های متعدد
  • 41. D4PG (Distributed Distributional Deterministic Policy Gradient)
  • 42. معرفی D4PG
  • 43. مزایای D4PG
  • 44. تکنیک‌های پیشرفته در MARL
  • 45. Opponent Modeling
  • 46. تکنیک‌های مدل‌سازی حریف
  • 47. کاربرد مدل‌سازی حریف در تصمیم‌گیری
  • 48. Learning with Opponent Learning Awareness (LOLA)
  • 49. معرفی LOLA
  • 50. کاربرد LOLA در مذاکره
  • 51. Multi-Agent Actor-Critic (MAAC)
  • 52. معرفی MAAC
  • 53. ساختار MAAC
  • 54. کاربرد MAAC در هماهنگی
  • 55. Policy Mirroring
  • 56. معرفی Policy Mirroring
  • 57. کاربرد Policy Mirroring
  • 58. Communication Protocols in MARL
  • 59. یادگیری ارتباط بین عامل‌ها
  • 60. انواع پروتکل‌های ارتباطی
  • 61. Cooperative MARL with Communication
  • 62. Multi-Agent Reinforcement Learning for Decentralized Execution (MARL-DE)
  • 63. معرفی MARL-DE
  • 64. کاربرد MARL-DE در رباتیک
  • 65. Centralized Training with Decentralized Execution (CTDE)
  • 66. معرفی CTDE
  • 67. مزایای CTDE
  • 68. مثال‌های CTDE
  • 69. Multi-Agent PPO (MAPPO)
  • 70. معرفی MAPPO
  • 71. کاربرد MAPPO
  • 72. Soft Actor-Critic for Multi-Agent (SAC-MA)
  • 73. معرفی SAC-MA
  • 74. کاربرد SAC-MA
  • 75. Exploration Strategies in MARL
  • 76. روش‌های اکتشاف در MARL
  • 77. Random Exploration
  • 78. Intrinsic Motivation
  • 79. Curiosity-driven Exploration
  • 80. Random Network Distillation (RND)
  • 81. معرفی RND
  • 82. کاربرد RND در MARL
  • 83. Intrinsic Curiosity Module (ICM)
  • 84. معرفی ICM
  • 85. کاربرد ICM در MARL
  • 86. Multi-Agent Hierarchical Reinforcement Learning (MAHRL)
  • 87. معرفی MAHRL
  • 88. ساختار سلسله مراتبی
  • 89. کاربرد MAHRL در مسائل پیچیده
  • 90. Meta-Learning for MARL
  • 91. معرفی Meta-Learning
  • 92. کاربرد Meta-Learning در MARL
  • 93. Transfer Learning in MARL
  • 94. معرفی Transfer Learning
  • 95. کاربرد Transfer Learning در MARL
  • 96. Fairness and Ethics in MARL
  • 97. ملاحظات اخلاقی در MARL
  • 98. عدالت در تخصیص منابع
  • 99. شفافیت در تصمیم‌گیری عامل‌ها
  • 100. Robustness and Safety in MARL

📚 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.