کتاب هوشمندسازی سیستم‌های نهفته با یادگیری ماشین: آموزش عملی با رویکرد Kaelbling
, ,

کتاب هوشمندسازی سیستم‌های نهفته با یادگیری ماشین: آموزش عملی با رویکرد Kaelbling

تومان249,950

انتخاب پلن

torobpay
هر قسط با ترب‌پی: تومان62,488
۴ قسط ماهانه. بدون سود، چک و ضامن.
شناسه محصول: SuperCourse-0000007572 دسته: , , برچسب: , , , , , , , , , , , , , ,

📚 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

📚 کتاب آموزشی جامع

📚 اطلاعات کتاب

عنوان کتاب: کتاب هوشمندسازی سیستم‌های نهفته با یادگیری ماشین: آموزش عملی با رویکرد Kaelbling

موضوع کلی: یادگیری ماشین در سیستم‌های نهفته

موضوع میانی: اصول و الگوریتم‌های یادگیری تقویتی در سیستم‌های تعبیه‌شده

📋 سرفصل‌های کتاب (100 موضوع)

  • 1. مقدمه‌ای بر سیستم‌های نهفته و یادگیری ماشین
  • 2. مفاهیم پایه یادگیری ماشین در سیستم‌های نهفته
  • 3. چالش‌های پیاده‌سازی یادگیری ماشین در سیستم‌های نهفته
  • 4. معرفی یادگیری تقویتی (RL)
  • 5. مقایسه RL با یادگیری با نظارت و بدون نظارت
  • 6. کاربرد RL در سیستم‌های نهفته
  • 7. مدل‌سازی مسائل RL: عامل، محیط، حالت، عمل، پاداش
  • 8. فرایند یادگیری در RL
  • 9. اپیزود، گام، سیاست
  • 10. تابع ارزش حالت (State-Value Function)
  • 11. تابع ارزش عمل (Action-Value Function)
  • 12. معادلات Bellman
  • 13. معادلات Bellman برای Q-Learning
  • 14. تعادل Bellman
  • 15. سیاست‌های بهینه (Optimal Policies)
  • 16. روش‌های مبتنی بر مدل (Model-Based) در RL
  • 17. روش‌های بدون مدل (Model-Free) در RL
  • 18. تفاوت روش‌های مبتنی بر مدل و بدون مدل
  • 19. الگوریتم‌های Policy Iteration
  • 20. الگوریتم‌های Value Iteration
  • 21. کشف و اکتشاف (Exploration vs. Exploitation)
  • 22. استراتژی‌های اکتشاف: اپسیلون-حریصانه (Epsilon-Greedy)
  • 23. استراتژی‌های اکتشاف: Softmax
  • 24. استراتژی‌های اکتشاف: Upper Confidence Bound (UCB)
  • 25. معرفی Q-Learning
  • 26. نحوه یادگیری Q-Table
  • 27. روزآمدسازی Q-Table
  • 28. مثال‌های ساده Q-Learning در سیستم‌های نهفته
  • 29. معرفی SARSA
  • 30. مقایسه Q-Learning و SARSA
  • 31. نقاط قوت و ضعف Q-Learning
  • 32. نقاط قوت و ضعف SARSA
  • 33. یادگیری تقویتی در محیط‌های گسسته
  • 34. یادگیری تقویتی در محیط‌های پیوسته
  • 35. روش‌های جایگزین برای Q-Table در محیط‌های پیوسته
  • 36. معرفی توابع تقریب (Function Approximation)
  • 37. کاربرد شبکه‌های عصبی در RL
  • 38. Deep Q-Networks (DQN)
  • 39. معماری شبکه‌های DQN
  • 40. تجربه بازپخش (Experience Replay)
  • 41. هدف شبکه‌های هدف (Target Networks)
  • 42. مزایای DQN
  • 43. محدودیت‌های DQN
  • 44. بهبودهای DQN: Double DQN
  • 45. بهبودهای DQN: Dueling DQN
  • 46. بهبودهای DQN: Prioritized Experience Replay
  • 47. معرفی Actor-Critic Methods
  • 48. مفهوم Agent و Critic
  • 49. الگوریتم A2C (Advantage Actor-Critic)
  • 50. الگوریتم A3C (Asynchronous Advantage Actor-Critic)
  • 51. مقایسه A2C و A3C
  • 52. معرفی Policy Gradient Methods
  • 53. مفهوم گرادیان سیاست
  • 54. الگوریتم REINFORCE
  • 55. بهبودهای Policy Gradient
  • 56. معرفی PPO (Proximal Policy Optimization)
  • 57. کاربرد PPO در سیستم‌های نهفته
  • 58. معرفی TRPO (Trust Region Policy Optimization)
  • 59. مقایسه PPO و TRPO
  • 60. مفاهیم یادگیری از طریق تقلید (Imitation Learning)
  • 61. یادگیری از طریق مشاهده (Learning from Observation)
  • 62. کاربرد Imitation Learning در سیستم‌های نهفته
  • 63. روش‌های Behavioral Cloning
  • 64. روش‌های Inverse Reinforcement Learning (IRL)
  • 65. مقایسه RL و Imitation Learning
  • 66. پیاده‌سازی RL در سخت‌افزارهای نهفته
  • 67. معماری میکروکنترلرها برای RL
  • 68. پردازنده‌های ویژه برای هوش مصنوعی (AI Accelerators)
  • 69. بهینه‌سازی الگوریتم‌های RL برای سیستم‌های نهفته
  • 70. تکنیک‌های فشرده‌سازی مدل
  • 71. کوانتیزاسیون (Quantization)
  • 72. هرس کردن (Pruning)
  • 73. روش‌های شناسایی سخت‌افزارهای مناسب برای RL
  • 74. معرفی TensorFlow Lite for Microcontrollers
  • 75. پیاده‌سازی DQN با TensorFlow Lite
  • 76. معرفی PyTorch Mobile
  • 77. پیاده‌سازی مدل‌های RL با PyTorch Mobile
  • 78. چالش‌های تعبیه‌سازی RL در زمان واقعی (Real-time)
  • 79. محدودیت‌های حافظه و توان پردازشی
  • 80. قابلیت اطمینان و امنیت در سیستم‌های RL نهفته
  • 81. عیب‌یابی و دیباگ کردن مدل‌های RL در سخت‌افزار
  • 82. روش‌های شبیه‌سازی برای توسعه RL نهفته
  • 83. انتخاب محیط شبیه‌سازی مناسب
  • 84. انتقال مدل از شبیه‌سازی به سخت‌افزار (Sim-to-Real Transfer)
  • 85. چالش‌های Sim-to-Real Transfer
  • 86. راهکارهای بهبود Sim-to-Real Transfer
  • 87. یادگیری تقویتی چندعاملی (Multi-Agent RL)
  • 88. کاربرد Multi-Agent RL در سیستم‌های نهفته
  • 89. معرفی روش‌های Coordination در Multi-Agent RL
  • 90. معرفی روش‌های Competition در Multi-Agent RL
  • 91. تکنیک‌های Meta-Learning برای سیستم‌های نهفته
  • 92. یادگیری تنظیمات اولیه (Learning to Initialize)
  • 93. یادگیری الگوریتم‌های یادگیری (Learning to Learn)
  • 94. کاربرد Meta-Learning در سازگاری با محیط‌های متغیر
  • 95. یادگیری تقویتی با پاداش پراکنده (Sparse Rewards)
  • 96. روش‌های ابتکاری برای پاداش پراکنده
  • 97. تقویت پاداش (Reward Shaping)
  • 98. نکته‌برداری از دانش (Knowledge Transfer)
  • 99. مفاهیم سیستم‌های نهفته هوشمند
  • 100. تحلیل نیازمندی‌های هوشمندسازی

📚 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

دیدگاهها

هیچ دیدگاهی برای این محصول نوشته نشده است.

اولین نفری باشید که دیدگاهی را ارسال می کنید برای “کتاب هوشمندسازی سیستم‌های نهفته با یادگیری ماشین: آموزش عملی با رویکرد Kaelbling”

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

محصولات مشابه

پیمایش به بالا