سپنتا کتاب اکسپرس
کتاب PyMARL: چارچوبی استاندارد برای پژوهش و توسعه در حوزه یادگیری تقویتی چندعامله

کتاب PyMARL: چارچوبی استاندارد برای پژوهش و توسعه در حوزه یادگیری تقویتی چندعامله

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 PyMARL: چارچوبی استاندارد برای پژوهش و توسعه در حوزه یادگیری تقویتی چندعامله

موضوع کلی: یادگیری تقویتی چندعامله (MARL)

موضوع میانی: PyMARL

📋 سرفصل‌های دوره

  • 1. مقدمه‌ای بر یادگیری تقویتی چندعامله
  • 2. مفاهیم پایه یادگیری تقویتی
  • 3. فضای حالت و عمل
  • 4. تابع پاداش
  • 5. سیاست یادگیری
  • 6. تابع ارزش
  • 7. یادگیری آفلاین در مقابل آنلاین
  • 8. مدل‌های یادگیری تقویتی تک عامله
  • 9. الگوریتم‌های مبتنی بر ارزش: Q-Learning
  • 10. الگوریتم‌های مبتنی بر سیاست: Policy Gradients
  • 11. یادگیری عمیق تقویتی (Deep RL)
  • 12. شبکه‌های عصبی برای یادگیری تقویتی
  • 13. Deep Q-Networks (DQN)
  • 14. Double DQN
  • 15. Dueling DQN
  • 16. Prioritized Experience Replay
  • 17. Actor-Critic Methods
  • 18. Asynchronous Advantage Actor-Critic (A3C)
  • 19. Proximal Policy Optimization (PPO)
  • 20. Trust Region Policy Optimization (TRPO)
  • 21. مقدمه‌ای بر یادگیری تقویتی چندعامله (MARL)
  • 22. چالش‌های کلیدی در MARL
  • 23. غیر ایستا بودن محیط
  • 24. مشاهده‌پذیری محدود
  • 25. مشکل هماهنگی
  • 26. مشکل عدم تطابق انگیزه‌ها
  • 27. طبقه‌بندی چارچوب‌های MARL
  • 28. بازی‌های همکارانه
  • 29. بازی‌های رقابتی
  • 30. بازی‌های مختلط
  • 31. بازی‌های مجموع-صفر
  • 32. بازی‌های مجموع-غیرصفر
  • 33. رویکردهای یادگیری مبتنی بر عامل
  • 34. یادگیری مشترک
  • 35. یادگیری متمرکز
  • 36. یادگیری مبتنی بر عامل مستقل
  • 37. Centralized Training with Decentralized Execution (CTDE)
  • 38. معماری‌های CTDE
  • 39. Value Decomposition Networks (VDN)
  • 40. QMIX
  • 41. MADDPG
  • 42. Covariance Matrix Adaptation Evolution Strategy (CMA-ES) در MARL
  • 43. یادگیری تقویتی مبتنی بر عامل مستقل (Independent Learners)
  • 44. مزایا و معایب Independent Learners
  • 45. تکنیک‌های بهبود Independent Learners
  • 46. معرفی PyMARL
  • 47. نصب و راه‌اندازی PyMARL
  • 48. ساختار کلی PyMARL
  • 49. ماژول‌های اصلی PyMARL
  • 50. مدیریت محیط‌ها در PyMARL
  • 51. تعریف عوامل (Agents) در PyMARL
  • 52. پیاده‌سازی الگوریتم‌های پایه MARL در PyMARL
  • 53. Deep Q-Networks (DQN) در PyMARL
  • 54. Multi-Agent Deep Deterministic Policy Gradient (MADDPG) در PyMARL
  • 55. QMIX در PyMARL
  • 56. VDN در PyMARL
  • 57. استفاده از محیط‌های استاندارد با PyMARL
  • 58. StarCraft II به عنوان محیط آزمایشی
  • 59. SMAC (StarCraft Multi-Agent Challenge)
  • 60. تنظیم پارامترهای الگوریتم‌ها در PyMARL
  • 61. آموزش مدل‌ها با PyMARL
  • 62. ارزیابی عملکرد مدل‌ها در PyMARL
  • 63. تجسم نتایج در PyMARL
  • 64. تنظیمات پیشرفته در PyMARL
  • 65. مدیریت آزمایش‌ها (Experiment Management)
  • 66. استفاده از Configuration Files
  • 67. گزارش‌گیری و تحلیل نتایج
  • 68. اضافه کردن محیط‌های سفارشی به PyMARL
  • 69. اضافه کردن الگوریتم‌های جدید به PyMARL
  • 70. کاربردهای عملی PyMARL
  • 71. مدیریت ترافیک شهری
  • 72. سیستم‌های توزیع انرژی
  • 73. رباتیک چندعامله
  • 74. بازی‌های استراتژیک
  • 75. تحلیل و پیش‌بینی بازارهای مالی (با رویکرد چارچوب بانکداری اسلامی)
  • 76. مدیریت منابع در شبکه‌های توزیع‌شده
  • 77. بهینه‌سازی زنجیره تأمین (با رعایت مقررات گمرکی و ارزی)
  • 78. هماهنگی عامل‌ها در ربات‌های صنعتی
  • 79. سیستم‌های توزیع هوشمند
  • 80. پژوهش‌های پیشرفته در MARL
  • 81. یادگیری تقویتی ترکیبی (Hybrid RL) در MARL
  • 82. یادگیری تقویتی با استفاده از مدل (Model-based MARL)
  • 83. یادگیری تقویتی با پاداش‌های ضمنی (Intrinsic Motivation)
  • 84. یادگیری تقویتی با فیدبک انسانی (Human Feedback RL)
  • 85. مسائل اخلاقی و اجتماعی در MARL (با تأکید بر چارچوب خانواده و جامعه ایرانی-اسلامی)
  • 86. آینده تحقیقات MARL با PyMARL
  • 87. جمع‌بندی و گام‌های بعدی

📚 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.