, ,

کتاب PyMARL: ابزاری برای نوآوری در طراحی عامل‌های هوشمند

تومان249,950

انتخاب پلن

torobpay
هر قسط با ترب‌پی: تومان62,488
۴ قسط ماهانه. بدون سود، چک و ضامن.

📚 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 PyMARL: ابزاری برای نوآوری در طراحی عامل‌های هوشمند

موضوع کلی: یادگیری تقویتی چندعامله (MARL)

موضوع میانی: PyMARL

📋 سرفصل‌های کتاب (100 موضوع)

  • 1. مقدمه PyMARL
  • 2. نصب PyMARL
  • 3. مروری بر معماری PyMARL
  • 4. مفاهیم کلیدی در یادگیری تقویتی چندعاملی (MARL)
  • 5. محیط‌های استاندارد در MARL
  • 6. کار با محیط‌های سفارشی در PyMARL
  • 7. معرفی عامل‌های یادگیری تقویتی
  • 8. انواع الگوریتم‌های MARL
  • 9. الگوریتم‌های متمرکز و غیرمتمرکز
  • 10. الگوریتم‌های یادگیری مبتنی بر ارزش (Value-based)
  • 11. الگوریتم‌های یادگیری مبتنی بر سیاست (Policy-based)
  • 12. الگوریتم‌های مختلط (Actor-Critic)
  • 13. معرفی الگوریتم‌های موجود در PyMARL
  • 14. پیاده‌سازی DQN در PyMARL
  • 15. پیاده‌سازی VDN در PyMARL
  • 16. پیاده‌سازی QMIX در PyMARL
  • 17. پیاده‌سازی MADDPG در PyMARL
  • 18. پیاده‌سازی COMA در PyMARL
  • 19. پیاده‌سازی MAPPO در PyMARL
  • 20. آموزش یک عامل در PyMARL
  • 21. تنظیم پارامترهای آموزش
  • 22. استفاده از GPU برای آموزش
  • 23. ذخیره و بارگذاری مدل‌های آموزش‌دیده
  • 24. ارزیابی عملکرد عامل‌ها
  • 25. معیارهای ارزیابی در MARL
  • 26. تجسم نتایج آموزش
  • 27. استفاده از ابزارهای بصری‌سازی PyMARL
  • 28. کار با داده‌های بازی
  • 29. آموزش عامل‌ها بر روی داده‌های از پیش جمع‌آوری شده
  • 30. طراحی شبکه‌های عصبی برای عامل‌ها
  • 31. انواع معماری‌های شبکه عصبی
  • 32. شبکه‌های کانولوشنال (CNN) برای عامل‌ها
  • 33. شبکه‌های بازگشتی (RNN) برای عامل‌ها
  • 34. شبکه‌های ترنسفورمر (Transformer) برای عامل‌ها
  • 35. استفاده از توابع فعال‌سازی
  • 36. بهینه‌سازی توابع هزینه
  • 37. روش‌های تنظیم نرخ یادگیری
  • 38. استفاده از بهینه‌سازهای مختلف
  • 39. مدیریت حافظه تجربی (Experience Replay)
  • 40. استفاده از حافظه تجربی اولویت‌دار
  • 41. تنظیم اندازه حافظه تجربی
  • 42. تنظیم پارامترهای اکتشاف (Exploration)
  • 43. استراتژی‌های اکتشاف گرادیانی
  • 44. استراتژی‌های اکتشاف مبتنی بر آنتروپی
  • 45. تنظیم پارامترهای پاداش (Reward)
  • 46. طراحی تابع پاداش مؤثر
  • 47. نرمال‌سازی پاداش
  • 48. کوچک‌سازی پاداش (Reward Shaping)
  • 49. مدیریت عدم قطعیت در MARL
  • 50. روش‌های مقابله با عدم قطعیت
  • 51. استفاده از شبکه‌های بیزی
  • 52. استفاده از نمونه‌برداری Monte Carlo
  • 53. کار با محیط‌های دینامیک
  • 54. آموزش در محیط‌های با دینامیک متغیر
  • 55. آموزش در محیط‌های با عامل‌های متغیر
  • 56. روش‌های ارتباط بین عامل‌ها
  • 57. کانال‌های ارتباطی صریح
  • 58. کانال‌های ارتباطی ضمنی
  • 59. یادگیری پروتکل‌های ارتباطی
  • 60. استفاده از مدل‌های زبانی برای ارتباط
  • 61. مدیریت عامل‌های ناهمگن
  • 62. آموزش عامل‌های با قابلیت‌های متفاوت
  • 63. آموزش عامل‌های با سیاست‌های متفاوت
  • 64. استفاده از تکنیک‌های انتقال یادگیری (Transfer Learning)
  • 65. انتقال یادگیری بین محیط‌ها
  • 66. انتقال یادگیری بین عامل‌ها
  • 67. انتقال یادگیری برای وظایف مشابه
  • 68. استفاده از تکنیک‌های فرا-یادگیری (Meta-Learning)
  • 69. فرا-یادگیری برای تنظیم سریع پارامترها
  • 70. فرا-یادگیری برای یادگیری سیاست‌های جدید
  • 71. استفاده از تکنیک‌های یادگیری تقویتی با نظارت (Supervised RL)
  • 72. ترکیب یادگیری تقویتی با یادگیری نظارت شده
  • 73. استفاده از داده‌های از پیش برچسب‌گذاری شده
  • 74. کار با محیط‌های چند وظیفه‌ای (Multi-task)
  • 75. طراحی عامل‌های چند وظیفه‌ای
  • 76. آموزش عامل‌ها برای انجام چندین وظیفه
  • 77. استفاده از تکنیک‌های یادگیری از طریق بازی (Play-based Learning)
  • 78. یادگیری از طریق بازی با خود (Self-play)
  • 79. یادگیری از طریق بازی با حریفان
  • 80. استفاده از تکنیک‌های یادگیری از طریق تقلید (Imitation Learning)
  • 81. یادگیری از طریق مشاهده رفتار متخصص
  • 82. یادگیری از طریق بازخورد انسانی
  • 83. کار با محیط‌های بزرگ مقیاس
  • 84. بهینه‌سازی برای محیط‌های بزرگ
  • 85. استفاده از پردازش موازی
  • 86. استفاده از معماری‌های توزیع شده
  • 87. کار با محیط‌های واقعیت مجازی
  • 88. ادغام PyMARL با موتورهای واقعیت مجازی
  • 89. طراحی عامل‌ها برای محیط‌های VR
  • 90. کار با محیط‌های رباتیک
  • 91. ادغام PyMARL با پلتفرم‌های رباتیک
  • 92. طراحی عامل‌ها برای کنترل ربات
  • 93. کار با محیط‌های شبیه‌سازی شده
  • 94. شبیه‌سازی‌های فیزیکی
  • 95. شبیه‌سازی‌های اجتماعی
  • 96. استفاده از PyMARL برای تحقیقات علمی
  • 97. کاربردهای PyMARL در بازی‌ها
  • 98. کاربردهای PyMARL در رباتیک
  • 99. کاربردهای PyMARL در حمل و نقل هوشمند
  • 100. کاربردهای PyMARL در سیستم‌های توصیه‌گر

📚 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 PyMARL: ابزاری برای نوآوری در طراحی عامل‌های هوشمند”

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

پیمایش به بالا