کتاب تسلط بر PyMARL: ایجاد و مدیریت عامل‌های هوشمند در سناریوهای مختلف

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 تسلط بر PyMARL: ایجاد و مدیریت عامل‌های هوشمند در سناریوهای مختلف

موضوع کلی: یادگیری تقویتی چندعامله (MARL)

موضوع میانی: PyMARL

📋 سرفصل‌های دوره

  • 1. مقدمه‌ای بر یادگیری تقویتی چند عامله (MARL)
  • 2. مفاهیم پایه یادگیری تقویتی
  • 3. عناصر اصلی یک عامل یادگیری تقویتی
  • 4. تابع پاداش و اهمیت آن در MARL
  • 5. مدل‌های عاملان مستقل در MARL
  • 6. چالش‌های هماهنگی در عاملان مستقل
  • 7. مفهوم بازی‌ها در MARL
  • 8. انواع بازی‌های همکارانه و رقابتی
  • 9. مقدمه‌ای بر PyMARL
  • 10. نصب و راه‌اندازی PyMARL
  • 11. ساختار کلی یک پروژه PyMARL
  • 12. تعریف محیط‌های ساده برای MARL
  • 13. پیاده‌سازی عاملان پایه در PyMARL
  • 14. استفاده از الگوریتم‌های ساده یادگیری تقویتی
  • 15. یادگیری Q-Learning برای عاملان مستقل
  • 16. تکامل عاملان با Q-Learning
  • 17. معرفی الگوریتم‌های Policy Gradient
  • 18. تفاوت Policy Gradient با Q-Learning
  • 19. پیاده‌سازی Policy Gradient در PyMARL
  • 20. مفهوم شبکه عصبی در عاملان هوشمند
  • 21. استفاده از شبکه‌های عصبی برای تخمین تابع ارزش
  • 22. شبکه‌های عصبی کانولوشنی (CNN) در MARL
  • 23. شبکه‌های عصبی بازگشتی (RNN) در MARL
  • 24. معرفی الگوریتم‌های Actor-Critic
  • 25. مزایای رویکرد Actor-Critic
  • 26. پیاده‌سازی Actor-Critic در PyMARL
  • 27. الگوریتم‌های یادگیری تقویتی عمیق (Deep RL)
  • 28. Deep Q-Networks (DQN)
  • 29. Double DQN و Dueling DQN
  • 30. پیاده‌سازی DQN در PyMARL
  • 31. مقدمه ای بر عاملان مرکزی و محیطی (Centralized Training, Decentralized Execution - CTDE)
  • 32. چرا CTDE مهم است؟
  • 33. الگوریتم‌های مبتنی بر CTDE
  • 34. MADDPG (Multi-Agent Deep Deterministic Policy Gradient)
  • 35. پیاده‌سازی MADDPG در PyMARL
  • 36. معرفی QMIX
  • 37. نحوه کارکرد QMIX
  • 38. مزایای QMIX برای هماهنگی
  • 39. پیاده‌سازی QMIX در PyMARL
  • 40. مفهوم یادگیری تقویتی مبتنی بر عامل (Agent-based RL)
  • 41. ساختار محیط‌های پیچیده‌تر برای MARL
  • 42. مدل‌سازی تعاملات بین عاملان
  • 43. استراتژی‌های همکاری بین عاملان
  • 44. استراتژی‌های رقابت بین عاملان
  • 45. معرفی محیط‌های استاندارد MARL (مانند SMAC)
  • 46. کار با محیط StarCraft II (SMAC) در PyMARL
  • 47. تنظیم پارامترهای محیط SMAC
  • 48. پیاده‌سازی عاملان در سناریوهای SMAC
  • 49. ارزیابی عملکرد عاملان در SMAC
  • 50. مفهوم یادگیری تقویتی ترجیحی (Preference-based RL)
  • 51. کاربرد ترجیحات در هدایت عاملان
  • 52. تکنیک‌های یادگیری تقویتی ترجیحی
  • 53. مقدمه‌ای بر یادگیری تقویتی ناظر (Imitation Learning)
  • 54. یادگیری از طریق نمایش (Demonstration)
  • 55. کاربرد Imitation Learning در MARL
  • 56. معرفی الگوریتم‌های یادگیری تقویتی مبتنی بر مدل (Model-based RL)
  • 57. یادگیری مدل محیط
  • 58. استفاده از مدل برای برنامه‌ریزی
  • 59. مزایای یادگیری مبتنی بر مدل
  • 60. مقدمه‌ای بر یادگیری تقویتی عمیق با پاداش‌های پراکنده
  • 61. روش‌های افزایش پاداش
  • 62. یادگیری تقویتی مبتنی بر هنجار (Norm-based RL)
  • 63. معرفی الگوریتم‌های Multi-Agent Proximal Policy Optimization (MAPPO)
  • 64. پیاده‌سازی MAPPO در PyMARL
  • 65. کاربرد MARL در سیستم‌های رباتیک
  • 66. کنترل ربات‌های خودمختار با MARL
  • 67. هماهنگی بین چندین ربات
  • 68. کاربرد MARL در مدیریت منابع
  • 69. بهینه‌سازی تخصیص منابع با عاملان هوشمند
  • 70. مدیریت ترافیک با MARL
  • 71. کاربرد MARL در بازی‌های استراتژیک
  • 72. طراحی عاملان هوشمند برای بازی‌ها
  • 73. یادگیری استراتژی‌های پیچیده
  • 74. کاربرد MARL در سیستم‌های توزیع‌شده
  • 75. هماهنگی در شبکه‌های کامپیوتری
  • 76. مدیریت داده‌ها با عاملان هوشمند
  • 77. معرفی تکنیک‌های اکتشاف در MARL
  • 78. اهمیت اکتشاف برای عاملان
  • 79. روش‌های نوین اکتشاف
  • 80. مفهوم Generalization در MARL
  • 81. قابلیت تعمیم عاملان به محیط‌های جدید
  • 82. چالش‌های Generalization
  • 83. معرفی تکنیک‌های Robustness در MARL
  • 84. ایجاد عاملان مقاوم در برابر تغییرات محیط
  • 85. روش‌های افزایش پایداری عاملان
  • 86. کاربرد MARL در شبکه‌های حسگر
  • 87. هماهنگی حسگرها برای جمع‌آوری داده
  • 88. بهینه‌سازی مصرف انرژی در شبکه‌های حسگر
  • 89. کاربرد MARL در بازارهای مالی
  • 90. مدیریت سبد سهام با عاملان هوشمند
  • 91. پیش‌بینی روند بازار
  • 92. معرفی تکنیک‌های Multi-Task Learning در MARL
  • 93. یادگیری همزمان چند وظیفه
  • 94. بهبود کارایی با اشتراک دانش
  • 95. کاربرد MARL در سیستم‌های توصیه گر
  • 96. توصیه محتوا به کاربران
  • 97. شخصی‌سازی تجربه کاربری
  • 98. معرفی تکنیک‌های Continual Learning در MARL
  • 99. یادگیری مداوم بدون فراموشی
  • 100. سازگاری با محیط‌های پویا

📚 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.