سپنتا کتاب اکسپرس
کتاب پیاده‌سازی سریع و کارآمد الگوریتم‌های MARL با PyMARL

کتاب پیاده‌سازی سریع و کارآمد الگوریتم‌های MARL با PyMARL

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

📚 کتاب آموزشی جامع

📚 اطلاعات کتاب

عنوان کتاب: کتاب پیاده‌سازی سریع و کارآمد الگوریتم‌های MARL با PyMARL

موضوع کلی: یادگیری تقویتی چندعامله (MARL)

موضوع میانی: PyMARL

📋 سرفصل‌های کتاب (100 موضوع)

  • 1. مقدمه ای بر یادگیری تقویتی چند عاملی (MARL)
  • 2. مفاهیم کلیدی MARL
  • 3. تفاوت MARL با یادگیری تقویتی تک عاملی (SARL)
  • 4. کاربردهای MARL
  • 5. چالش‌های MARL
  • 6. معرفی PyMARL
  • 7. نصب PyMARL
  • 8. اجزای اصلی PyMARL
  • 9. ساختار پروژه PyMARL
  • 10. محیط‌های شبیه‌سازی در PyMARL
  • 11. محیط‌های استاندارد MARL
  • 12. ساخت محیط‌های سفارشی
  • 13. انتزاع عامل (Agent Abstraction)
  • 14. موتور یادگیری (Learning Engine)
  • 15. استراتژی‌های یادگیری (Learning Strategies)
  • 16. الگوریتم‌های یادگیری در PyMARL
  • 17. معرفی الگوریتم‌های پایه
  • 18. Q-Learning چند عاملی (Multi-Agent Q-Learning)
  • 19. Independent Q-Learning (IQL)
  • 20. Value Decomposition Networks (VDN)
  • 21. QMIX
  • 22. MADDPG
  • 23. COMA
  • 24. MAPPO
  • 25. معرفی الگوریتم‌های پیشرفته
  • 26. IQL با تجربه replay
  • 27. VDN با تجربه replay
  • 28. QMIX با تجربه replay
  • 29. MADDPG با تجربه replay
  • 30. COMA با تجربه replay
  • 31. MAPPO با تجربه replay
  • 32. معرفی الگوریتم‌های با قابلیت مقیاس‌پذیری
  • 33. معرفی الگوریتم‌های با قابلیت همکاری
  • 34. معرفی الگوریتم‌های با قابلیت رقابت
  • 35. معرفی الگوریتم‌های با قابلیت همکاری-رقابتی
  • 36. استفاده از PyMARL برای پیاده‌سازی IQL
  • 37. تنظیمات IQL در PyMARL
  • 38. آموزش عامل با IQL
  • 39. ارزیابی عملکرد IQL
  • 40. استفاده از PyMARL برای پیاده‌سازی VDN
  • 41. تنظیمات VDN در PyMARL
  • 42. آموزش عامل با VDN
  • 43. ارزیابی عملکرد VDN
  • 44. استفاده از PyMARL برای پیاده‌سازی QMIX
  • 45. تنظیمات QMIX در PyMARL
  • 46. آموزش عامل با QMIX
  • 47. ارزیابی عملکرد QMIX
  • 48. استفاده از PyMARL برای پیاده‌سازی MADDPG
  • 49. تنظیمات MADDPG در PyMARL
  • 50. آموزش عامل با MADDPG
  • 51. ارزیابی عملکرد MADDPG
  • 52. استفاده از PyMARL برای پیاده‌سازی COMA
  • 53. تنظیمات COMA در PyMARL
  • 54. آموزش عامل با COMA
  • 55. ارزیابی عملکرد COMA
  • 56. استفاده از PyMARL برای پیاده‌سازی MAPPO
  • 57. تنظیمات MAPPO در PyMARL
  • 58. آموزش عامل با MAPPO
  • 59. ارزیابی عملکرد MAPPO
  • 60. تنظیم هایپرپارامترها در PyMARL
  • 61. بهینه‌سازی هایپرپارامترها
  • 62. جستجوی تصادفی
  • 63. جستجوی شبکه‌ای
  • 64. بهینه‌سازی بیزی
  • 65. مدیریت تجربه replay
  • 66. اندازه بافر تجربه replay
  • 67. نمونه‌برداری از بافر تجربه replay
  • 68. اولویت‌بندی در تجربه replay
  • 69. مدیریت مدل‌های عامل
  • 70. ذخیره و بارگذاری مدل‌ها
  • 71. انتقال یادگیری (Transfer Learning)
  • 72. تنظیمات شبکه عصبی
  • 73. ساختار لایه‌های شبکه
  • 74. توابع فعال‌سازی
  • 75. بهینه‌سازها (Optimizers)
  • 76. نرخ یادگیری
  • 77. مومنتوم
  • 78. کاهش (Decay) نرخ یادگیری
  • 79. تابع زیان (Loss Function)
  • 80. تنظیمات تابع زیان
  • 81. توابع زیان استاندارد
  • 82. توابع زیان سفارشی
  • 83. تنظیمات محیط
  • 84. تعداد عامل‌ها
  • 85. فضای حالت (State Space)
  • 86. فضای عمل (Action Space)
  • 87. تابع پاداش (Reward Function)
  • 88. تنظیمات شبیه‌ساز
  • 89. تعداد گام‌های شبیه‌سازی
  • 90. تعداد اپیزودهای شبیه‌سازی
  • 91. تنظیمات جمع‌آوری داده
  • 92. نرخ نمونه‌برداری
  • 93. تعداد داده‌های جمع‌آوری شده
  • 94. تنظیمات ارزیابی
  • 95. معیارهای ارزیابی
  • 96. تعداد اپیزودهای ارزیابی
  • 97. تنظیمات تجسم (Visualization)
  • 98. نمایش وضعیت محیط
  • 99. نمایش عملکرد عامل‌ها
  • 100. نمایش فرآیند یادگیری

📚 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.