اکسپرس 24
کتاب مدل‌های یادگیری تقویتی برای همکاری در محیط‌های پیچیده

کتاب مدل‌های یادگیری تقویتی برای همکاری در محیط‌های پیچیده

تگ‌ها: الگوریتم های یادگیری بهینه سازی تقویتی مارل محیط های پیچیده مدل های یادگیری همکاری چندعامله هوش مصنوعی یادگیری تقویتی یادگیری تقویتی چندعامله یادگیری ماشین

انتخاب پلن

افزودنی‌های اختیاری

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 مدل‌های یادگیری تقویتی برای همکاری در محیط‌های پیچیده

موضوع کلی: یادگیری تقویتی چندعامله (MARL)

موضوع میانی: مدل‌های یادگیری تقویتی

📋 سرفصل‌های دوره

  • 1. مقدمه‌ای بر یادگیری تقویتی
  • 2. مفاهیم پایه یادگیری تقویتی
  • 3. اجزای اصلی یک مسئله یادگیری تقویتی
  • 4. فضای حالت و فضای عمل
  • 5. پاداش و تابع پاداش
  • 6. سیاست‌ها و توابع ارزش
  • 7. حل مسئله با استفاده از روش‌های دینامیک برنامه‌ریزی
  • 8. تکرار مقدار (Value Iteration)
  • 9. تکرار سیاست (Policy Iteration)
  • 10. روش‌های مونت‌کارلو
  • 11. تفاوت‌های زمانی (Temporal Difference)
  • 12. Q-Learning
  • 13. SARSA
  • 14. یادگیری تقویتی عمیق (Deep Reinforcement Learning)
  • 15. شبکه‌های عصبی و یادگیری تقویتی
  • 16. DQN (Deep Q-Network)
  • 17. Double DQN
  • 18. Dueling DQN
  • 19. Prioritized Experience Replay
  • 20. یادگیری تقویتی سیاستی (Policy Gradient)
  • 21. REINFORCE
  • 22. Actor-Critic Methods
  • 23. A2C (Advantage Actor-Critic)
  • 24. A3C (Asynchronous Advantage Actor-Critic)
  • 25. یادگیری تقویتی چندعاملی (Multi-Agent Reinforcement Learning)
  • 26. محیط‌های چندعاملی
  • 27. چالش‌های یادگیری تقویتی چندعاملی
  • 28. روش‌های هماهنگی در یادگیری تقویتی چندعاملی
  • 29. یادگیری تقویتی با همکاری (Cooperative Reinforcement Learning)
  • 30. یادگیری تقویتی رقابتی (Competitive Reinforcement Learning)
  • 31. مفاهیم بازی‌ها و نظریه بازی‌ها
  • 32. مقدمه‌ای بر یادگیری تقویتی در بازی‌ها
  • 33. استفاده از یادگیری تقویتی در بازی‌های استراتژیک
  • 34. یادگیری تقویتی در رباتیک
  • 35. کنترل ربات با استفاده از یادگیری تقویتی
  • 36. یادگیری تقویتی در سیستم‌های توصیه گر
  • 37. بهینه‌سازی سیستم‌های توصیه گر با یادگیری تقویتی
  • 38. یادگیری تقویتی در مدیریت منابع
  • 39. بهینه‌سازی تخصیص منابع با استفاده از یادگیری تقویتی
  • 40. یادگیری تقویتی در شبکه‌های حسگر
  • 41. مدیریت انرژی در شبکه‌های حسگر با یادگیری تقویتی
  • 42. یادگیری تقویتی و یادگیری انتقالی (Transfer Learning)
  • 43. استفاده از دانش آموخته شده برای تسریع یادگیری در محیط‌های جدید
  • 44. یادگیری تقویتی و یادگیری فعال (Active Learning)
  • 45. انتخاب نمونه‌های آموزشی بهینه با استفاده از یادگیری تقویتی
  • 46. یادگیری تقویتی و یادگیری نظارتی (Supervised Learning)
  • 47. ترکیب یادگیری تقویتی و یادگیری نظارتی
  • 48. روش‌های اکتشاف (Exploration) در یادگیری تقویتی
  • 49. ε-greedy
  • 50. Upper Confidence Bound (UCB)
  • 51. Thompson Sampling
  • 52. یادگیری تقویتی آفلاین (Offline Reinforcement Learning)
  • 53. یادگیری از داده‌های جمع‌آوری شده
  • 54. چالش‌های یادگیری تقویتی آفلاین
  • 55. یادگیری تقویتی ایمن (Safe Reinforcement Learning)
  • 56. تضمین ایمنی در حین یادگیری
  • 57. روش‌های جلوگیری از رفتارهای خطرناک
  • 58. یادگیری تقویتی مقاوم (Robust Reinforcement Learning)
  • 59. مقابله با نویز و عدم قطعیت در محیط
  • 60. یادگیری تقویتی توزیعی (Distributional Reinforcement Learning)
  • 61. تخمین توزیع بازگشت (Return)
  • 62. QR-DQN
  • 63. یادگیری تقویتی سلسله مراتبی (Hierarchical Reinforcement Learning)
  • 64. تجزیه مسائل پیچیده به زیرمسائل ساده‌تر
  • 65. یادگیری تقویتی با حافظه (Reinforcement Learning with Memory)
  • 66. استفاده از حافظه برای بهبود عملکرد
  • 67. LSTM-based RL
  • 68. Transformer-based RL
  • 69. یادگیری تقویتی در محیط‌های پیوسته (Continuous Control)
  • 70. DDPG (Deep Deterministic Policy Gradient)
  • 71. TD3 (Twin Delayed DDPG)
  • 72. SAC (Soft Actor-Critic)
  • 73. ارزیابی و مقایسه الگوریتم‌های یادگیری تقویتی
  • 74. معیارهای ارزیابی
  • 75. بهترین روش‌ها برای ارزیابی
  • 76. چالش‌ها و محدودیت‌های یادگیری تقویتی
  • 77. آینده یادگیری تقویتی

📚 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.