سپنتا کتاب اکسپرس
کتاب مقدمه‌ای بر یادگیری تقویتی چندعامله در رفتار سیستمی

کتاب مقدمه‌ای بر یادگیری تقویتی چندعامله در رفتار سیستمی

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 مقدمه‌ای بر یادگیری تقویتی چندعامله در رفتار سیستمی

موضوع کلی: یادگیری تقویتی چندعامله (MARL)

موضوع میانی: یادگیری تقویتی چندعامله برای شبیه‌سازی رفتار جمعی

📋 سرفصل‌های دوره

  • 1. مبانی یادگیری تقویتی
  • 2. مفهوم عامل و محیط
  • 3. فضای حالت و فضای عمل
  • 4. تابع پاداش و تابع ارزش
  • 5. الگوریتم‌های یادگیری تقویتی
  • 6. یادگیری تقویتی تک‌عامله
  • 7. مدل‌های مبتنی بر ارزش
  • 8. مدل‌های مبتنی بر سیاست
  • 9. الگوریتم‌های Q-Learning
  • 10. الگوریتم‌های SARSA
  • 11. مقایسه Q-Learning و SARSA
  • 12. یادگیری تقویتی عمیق
  • 13. شبکه‌های عصبی در یادگیری تقویتی
  • 14. Deep Q-Networks (DQN)
  • 15. مزایا و معایب DQN
  • 16. روش‌های بهبود DQN
  • 17. Double DQN
  • 18. Dueling DQN
  • 19. Prioritized Experience Replay
  • 20. Actor-Critic Methods
  • 21. Policy Gradients
  • 22. REINFORCE Algorithm
  • 23. Actor-Critic با استفاده از واگرایی
  • 24. A2C (Advantage Actor-Critic)
  • 25. A3C (Asynchronous Advantage Actor-Critic)
  • 26. DDPG (Deep Deterministic Policy Gradient)
  • 27. TRPO (Trust Region Policy Optimization)
  • 28. PPO (Proximal Policy Optimization)
  • 29. یادگیری تقویتی چندعامله (MARL)
  • 30. مفهوم عامل‌های متعدد
  • 31. تعامل عامل‌ها
  • 32. محیط‌های چندعامله
  • 33. چالش‌های MARL
  • 34. همکاری و رقابت در MARL
  • 35. هماهنگی عامل‌ها
  • 36. مدل‌سازی عامل‌های دیگر
  • 37. یادگیری تقویتی با محیط‌های مشترک
  • 38. یادگیری تقویتی با محیط‌های رقابتی
  • 39. بازی‌های مجموع-صفر
  • 40. بازی‌های مجموع-غیرصفر
  • 41. معادلات Bellman برای MARL
  • 42. حل مسائل MARL
  • 43. روش‌های مبتنی بر ارزش در MARM
  • 44. Q-Learning برای MARM
  • 45. Joint Action Learners
  • 46. Independent Q-Learning (IQL)
  • 47. محدودیت‌های IQL
  • 48. روش‌های مبتنی بر سیاست در MARM
  • 49. Policy Gradients برای MARM
  • 50. MADDPG (Multi-Agent Deep Deterministic Policy Gradient)
  • 51. Cooperative MARL
  • 52. Multi-Agent Reinforcement Learning for Cooperative Tasks
  • 53. Learning to Coordinate Agents
  • 54. Centralized Training with Decentralized Execution (CTDE)
  • 55. Value Decomposition Networks (VDN)
  • 56. QMIX
  • 57. VDPO (Value-Driven Policy Optimization)
  • 58. Competitive MARL
  • 59. Multi-Agent Reinforcement Learning for Competitive Tasks
  • 60. Adversarial MARL
  • 61. Minimax-Q Learning
  • 62. Counterfactual Multi-Agent Policy Gradients (COMA)
  • 63. Exploiting Opponent Models
  • 64. Self-Play
  • 65. Mean Field Reinforcement Learning
  • 66. Mean Field Q-Learning
  • 67. Mean Field Policy Gradients
  • 68. کاربردها در سیستم‌های پیچیده
  • 69. کنترل ترافیک هوشمند
  • 70. مدیریت منابع انرژی
  • 71. رباتیک چندربات
  • 72. سیستم‌های توصیه‌گر
  • 73. شبکه‌های ارتباطی
  • 74. مدیریت ناوگان وسایل نقلیه
  • 75. بازی‌های استراتژیک
  • 76. پردازش زبان طبیعی
  • 77. تشخیص و پیش‌بینی بیماری‌ها
  • 78. سیستم‌های مالی و اقتصادی
  • 79. ملاحظات اخلاقی در MARL
  • 80. امنیت در سیستم‌های چندعامله
  • 81. قابلیت اطمینان در سیستم‌های چندعامله
  • 82. تفاسیرپذیری در MARL
  • 83. روش‌های ارزیابی عملکرد در MARL
  • 84. شبیه‌سازهای MARL
  • 85. مقایسه الگوریتم‌های MARL
  • 86. مطالعات موردی در MARL
  • 87. آینده پژوهی در MARL
  • 88. یادگیری تقویتی در دنیای واقعی
  • 89. پیاده‌سازی عملی MARL
  • 90. چالش‌های مقیاس‌پذیری در MARL
  • 91. یادگیری تقویتی با پاداش‌های پراکنده
  • 92. یادگیری تقویتی با پاداش‌های تاخیری
  • 93. یادگیری تقویتی از طریق مشاهده
  • 94. یادگیری تقویتی فعال
  • 95. یادگیری تقویتی با انتقال دانش
  • 96. یادگیری تقویتی با یادگیری چندوظیفه‌ای
  • 97. یادگیری تقویتی با یادگیری پاداش
  • 98. یادگیری تقویتی با یادگیری مدل
  • 99. یادگیری تقویتی با یادگیری سیاست
  • 100. مبانی یادگیری تقویتی برای سیستم‌های توزیع‌شده

📚 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.