سپنتا کتاب اکسپرس
کتاب نظریه تصمیم‌گیری در سیستم‌های عامل‌های با پاداش‌های پویا

کتاب نظریه تصمیم‌گیری در سیستم‌های عامل‌های با پاداش‌های پویا

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 نظریه تصمیم‌گیری در سیستم‌های عامل‌های با پاداش‌های پویا

موضوع کلی: یادگیری تقویتی چندعامله (MARL)

موضوع میانی: جنبه‌های نظری MARL

📋 سرفصل‌های دوره

  • 1. مقدمه‌ای بر نظریه تصمیم‌گیری در سیستم‌های پویا
  • 2. مبانی نظریه بازی‌ها و کاربرد آن
  • 3. مدل‌های تصمیم‌گیری تحت عدم قطعیت
  • 4. مفاهیم پایه‌ای یادگیری تقویتی
  • 5. یادگیری تقویتی با پاداش‌های ثابت
  • 6. عوامل موثر بر پویایی سیستم‌های پاداش
  • 7. مدل‌سازی سیستم‌های عامل با پاداش‌های متغیر
  • 8. مفهوم فرایند تصمیم‌گیری مارکوف (MDP)
  • 9. حل MDP با الگوریتم‌های تکرار ارزش
  • 10. حل MDP با الگوریتم تکرار سیاست
  • 11. یادگیری تقویتی بدون مدل (Model-Free RL)
  • 12. یادگیری Q (Q-Learning)
  • 13. یادگیری SARSA
  • 14. تفاوت‌های Q-Learning و SARSA
  • 15. یادگیری عمیق تقویتی (Deep RL)
  • 16. شبکه‌های عصبی عمیق برای RL
  • 17. شبکه‌های عصبی کانولوشنی در RL
  • 18. شبکه‌های عصبی بازگشتی در RL
  • 19. محیط‌های یادگیری تقویتی
  • 20. شبیه‌سازی محیط‌های پویا
  • 21. طراحی تابع پاداش در RL
  • 22. اهمیت انتخاب تابع پاداش مناسب
  • 23. مشکلات مرتبط با تابع پاداش
  • 24. روش‌های اکتشاف در RL (Exploration Strategies)
  • 25. اپسیلون-حریصانه (Epsilon-Greedy)
  • 26. نمونه‌برداری حرارتی (Softmax Exploration)
  • 27. تکنیک‌های پیشرفته اکتشاف
  • 28. مسائل مرتبط با پاداش‌های پراکنده
  • 29. یادگیری از طریق تقلید (Imitation Learning)
  • 30. یادگیری مبتنی بر مشاهده
  • 31. یادگیری از طریق قضاوت (Inverse RL)
  • 32. کاربرد RL در رباتیک
  • 33. کنترل ربات‌ها با RL
  • 34. ناوبری ربات‌ها با RL
  • 35. RL در بازی‌های کامپیوتری
  • 36. توسعه هوش مصنوعی در بازی‌ها
  • 37. RL در سیستم‌های توصیه‌گر
  • 38. شخصی‌سازی توصیه‌ها با RL
  • 39. RL در مدیریت منابع
  • 40. بهینه‌سازی مصرف انرژی با RL
  • 41. RL در شبکه‌های مخابراتی
  • 42. مدیریت ترافیک با RL
  • 43. RL در بازارهای مالی
  • 44. معاملات الگوریتمی با RL
  • 45. پیش‌بینی قیمت‌ها با RL
  • 46. RL در سیستم‌های حمل و نقل
  • 47. بهینه‌سازی مسیر با RL
  • 48. مدیریت سیستم‌های ترافیک هوشمند
  • 49. RL در هوش مصنوعی پزشکی
  • 50. تشخیص بیماری با RL
  • 51. طراحی درمان با RL
  • 52. RL در سیستم‌های تولیدی
  • 53. بهینه‌سازی خط تولید با RL
  • 54. مدیریت موجودی با RL
  • 55. RL در سیستم‌های انرژی
  • 56. مدیریت شبکه‌های توزیع برق
  • 57. بهینه‌سازی تولید انرژی تجدیدپذیر
  • 58. RL در سیستم‌های امنیتی
  • 59. شناسایی تهدیدات با RL
  • 60. مدیریت بحران با RL
  • 61. مفاهیم پیشرفته RL
  • 62. یادگیری تقویتی چندعاملی (Multi-Agent RL)
  • 63. همکاری و رقابت در MARL
  • 64. MARL در سیستم‌های توزیع شده
  • 65. یادگیری تقویتی با مدل (Model-Based RL)
  • 66. یادگیری مدل محیط
  • 67. استفاده از مدل آموخته شده برای تصمیم‌گیری
  • 68. RL با پاداش‌های نسبی
  • 69. یادگیری از مقایسه‌ها
  • 70. RL برای وظایف پیچیده
  • 71. تقسیم وظایف در RL
  • 72. یادگیری سلسله مراتبی در RL
  • 73. RL در سیستم‌های خودران
  • 74. کنترل وسایل نقلیه خودران
  • 75. تصمیم‌گیری در شرایط پیچیده رانندگی
  • 76. RL و اخلاق در هوش مصنوعی
  • 77. مسائل اخلاقی در طراحی پاداش
  • 78. شفافیت و قابلیت توضیح در RL
  • 79. RL در علوم داده
  • 80. تحلیل کلان داده با RL
  • 81. استخراج الگو با RL
  • 82. RL و بهینه‌سازی الگوریتم‌ها
  • 83. تسریع فرآیندهای محاسباتی
  • 84. بهینه‌سازی پارامترها
  • 85. RL در پردازش زبان طبیعی
  • 86. تولید متن با RL
  • 87. ترجمه ماشینی با RL
  • 88. RL در بینایی ماشین
  • 89. تشخیص اشیاء با RL
  • 90. تفسیر تصاویر با RL
  • 91. RL و یادگیری انتقالی (Transfer Learning)
  • 92. استفاده از دانش آموخته شده در وظایف جدید
  • 93. RL برای وظایف مشابه
  • 94. RL و یادگیری تقویتی ناظر (Supervised RL)
  • 95. ترکیب RL با یادگیری نظارت شده
  • 96. RL در سیستم‌های تطبیق‌پذیر
  • 97. تطبیق سیستم با تغییرات محیط
  • 98. RL و بهینه‌سازی تصمیمات در طول زمان
  • 99. تحلیل سناریوهای مختلف
  • 100. برنامه‌ریزی بلندمدت با RL

📚 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.