سپنتا کتاب اکسپرس
کتاب راهنمای جامع توابع ارزش در MARL: از تئوری تا کد

کتاب راهنمای جامع توابع ارزش در MARL: از تئوری تا کد

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 راهنمای جامع توابع ارزش در MARL: از تئوری تا کد

موضوع کلی: یادگیری تقویتی چندعامله (MARL)

موضوع میانی: تابع ارزش (Value Function)

📋 سرفصل‌های دوره

  • 1. مقدمه‌ای بر یادگیری تقویتی چندعامله (MARL)
  • 2. مفاهیم پایه در یادگیری تقویتی
  • 3. محیط‌های یادگیری تقویتی
  • 4. عامل‌های یادگیری تقویتی
  • 5. تابع پاداش و تابع ارزش
  • 6. فرآیندهای تصمیم‌گیری مارکوف (MDP)
  • 7. حالت‌ها، عمل‌ها و پاداش‌ها در MDP
  • 8. مدل‌های MDP و معادلات حاکم
  • 9. معادلات بلمن برای توابع ارزش
  • 10. حل MDP ها با برنامه‌ریزی پویا
  • 11. روش‌های تقریب تابع ارزش
  • 12. توابع ارزش در یادگیری تقویتی تک‌عامله
  • 13. یادگیری ارزش Q
  • 14. یادگیری ارزش V
  • 15. یادگیری آفلاین در مقابل آنلاین
  • 16. یادگیری مبتنی بر مدل در مقابل بدون مدل
  • 17. مقدمه‌ای بر یادگیری تقویتی چندعامله (MARL)
  • 18. چالش‌های خاص در MARL
  • 19. هماهنگی و رقابت بین عامل‌ها
  • 20. مشاهده‌پذیری محدود در MARL
  • 21. فضای حالت-عمل مشترک بزرگ
  • 22. عدم ایستایی محیط در MARL
  • 23. توابع ارزش در MARL: مفاهیم اولیه
  • 24. تابع ارزش مشترک
  • 25. تابع ارزش عامل-محور
  • 26. اهمیت توابع ارزش در هماهنگی
  • 27. انواع رویکردهای مبتنی بر ارزش در MARL
  • 28. یادگیری Q چندعامله (MQ)
  • 29. یادگیری Q با جداسازی متغیرها
  • 30. یادگیری Q با جداسازی عامل‌ها
  • 31. روش‌های یادگیری Q در MARL
  • 32. Deep Q-Networks (DQN) در MARL
  • 33. Double DQN در MARL
  • 34. Dueling DQN در MARL
  • 35. Prioritized Experience Replay در MARL
  • 36. یادگیری سیاست-گرادیان در MARL
  • 37. مقدمه‌ای بر یادگیری سیاست-گرادیان
  • 38. سیاست‌های احتمالی
  • 39. گرادیان سیاست
  • 40. روش‌های Actor-Critic در MARL
  • 41. Actor-Critic چندعامله
  • 42. Actor-Critic با جداسازی
  • 43. Actor-Critic مبتنی بر ارزش
  • 44. روش‌های Actor-Critic پیشرفته در MARL
  • 45. Proximal Policy Optimization (PPO) در MARL
  • 46. Trust Region Policy Optimization (TRPO) در MARL
  • 47. A2C (Advantage Actor-Critic) در MARL
  • 48. یادگیری عمیق برای سیاست‌ها در MARL
  • 49. توابع ارزش در سناریوهای رقابتی
  • 50. توابع ارزش در سناریوهای مشارکتی
  • 51. توابع ارزش در سناریوهای مختلط
  • 52. یادگیری ارزش در بازی‌های مجموع-صفر
  • 53. یادگیری ارزش در بازی‌های مجموع-غیرصفر
  • 54. استراتژی‌های تعادل در بازی‌ها
  • 55. مفهوم تعادل نش (Nash Equilibrium)
  • 56. یافتن تعادل نش در بازی‌های پیوسته
  • 57. یافتن تعادل نش در بازی‌های گسسته
  • 58. پیاده‌سازی الگوریتم‌های یافتن تعادل
  • 59. یادگیری ارزش در بازی‌های پویا
  • 60. بازی‌های چندمرحله‌ای
  • 61. نقش توابع ارزش در بازی‌های پویا
  • 62. روش‌های مبتنی بر ارزش برای حل بازی‌های پویا
  • 63. یادگیری ارزش در محیط‌های با مشاهده‌پذیری محدود
  • 64. Partial Observability Markov Decision Processes (POMDPs)
  • 65. توابع ارزش در POMDPs
  • 66. یادگیری Q در POMDPs
  • 67. یادگیری سیاست در POMDPs
  • 68. روش‌های مبتنی بر حافظه در MARL
  • 69. شبکه‌های حافظه طولانی کوتاه مدت (LSTM) در MARL
  • 70. شبکه‌های حافظه دسترسی تصادفی (DRAM) در MARL
  • 71. بازی با اتکا به تاریخچه
  • 72. یادگیری ارزش در محیط‌های متغیر
  • 73. تغییر توزیع داده‌ها در MARL
  • 74. سازگاری با محیط‌های ناایستا
  • 75. روش‌های یادگیری مداوم در MARL
  • 76. یادگیری ارزش در سناریوهای هماهنگی تیمی
  • 77. یادگیری ارزش در سناریوهای مذاکره
  • 78. یادگیری ارزش در سناریوهای تخصیص منابع
  • 79. یادگیری ارزش در رباتیک چندعامله
  • 80. یادگیری ارزش در سیستم‌های توزیع‌شده
  • 81. یادگیری ارزش در شبکه‌های ارتباطی
  • 82. یادگیری ارزش در خودروهای خودران
  • 83. پیاده‌سازی توابع ارزش با پایتون و کتابخانه‌ها
  • 84. استفاده از کتابخانه TensorFlow/PyTorch
  • 85. پیاده‌سازی الگوریتم‌های پایه MARL
  • 86. شبیه‌سازی محیط‌های MARL
  • 87. نحوه ارزیابی عملکرد عامل‌ها در MARL
  • 88. ملاحظات اخلاقی در توسعه MARL
  • 89. ملاحظات امنیتی در سیستم‌های MARL
  • 90. کاربردهای عملی MARL در صنعت
  • 91. آینده پژوهش در 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.