سپنتا کتاب اکسپرس
کتاب محیط‌های یادگیری تقویتی چندعامله برای بازی‌های استراتژیک

کتاب محیط‌های یادگیری تقویتی چندعامله برای بازی‌های استراتژیک

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 محیط‌های یادگیری تقویتی چندعامله برای بازی‌های استراتژیک

موضوع کلی: یادگیری تقویتی چندعامله (MARL)

موضوع میانی: محیط‌های یادگیری تقویتی

📋 سرفصل‌های دوره

  • 1. مقدمه‌ای بر یادگیری تقویتی چندعامله
  • 2. مفاهیم اساسی یادگیری تقویتی
  • 3. عوامل در محیط‌های چندعامله
  • 4. مدل‌های عامل محور
  • 5. مدل‌های مبتنی بر عامل و محیط
  • 6. انواع بازی‌های استراتژیک
  • 7. بازی‌های مجموع صفر
  • 8. بازی‌های مجموع غیرصفر
  • 9. معادلات بِلْمَن برای بازی‌ها
  • 10. تعادل نَش
  • 11. تعادل پارتو
  • 12. بازی‌های پویا
  • 13. بازی‌های با اطلاعات کامل
  • 14. بازی‌های با اطلاعات ناقص
  • 15. بازی‌های با اطلاعات نامتقارن
  • 16. مدل‌سازی محیط یادگیری تقویتی چندعامله
  • 17. فضاهای حالت و عمل
  • 18. تابع پاداش در بازی‌های استراتژیک
  • 19. تابع انتقال حالت
  • 20. الگوریتم‌های یادگیری تقویتی تک‌عامله
  • 21. کَیتینگ کیو (Q-Learning)
  • 22. یادگیری تقویتی دیپ (Deep Q-Learning)
  • 23. الگوریتم‌های سیاست گرادیان (Policy Gradient)
  • 24. الگوریتم‌های Actor-Critic
  • 25. چالش‌های یادگیری تقویتی چندعامله
  • 26. غیرایستایی محیط
  • 27. عدم قطعیت ناشی از عامل‌های دیگر
  • 28. همکاری و رقابت بین عامل‌ها
  • 29. هماهنگی عمل در محیط‌های چندعامله
  • 30. یادگیری از طریق مشاهده (Imitation Learning)
  • 31. یادگیری تقویتی مبتنی بر مدل
  • 32. مدل‌های یادگیری تقویتی غیرمبتنی بر مدل
  • 33. الگوریتم‌های یادگیری تقویتی توزیع‌شده
  • 34. یادگیری تقویتی متمرکز
  • 35. یادگیری تقویتی غیرمتمرکز
  • 36. یادگیری تقویتی نیمه‌متمرکز
  • 37. یادگیری تقویتی مبتنی بر شبیه‌سازی
  • 38. استفاده از داده‌های تاریخی
  • 39. تولید داده‌های مصنوعی
  • 40. تکنیک‌های هماهنگی عامل‌ها
  • 41. تخصیص پاداش مشترک
  • 42. تخصیص پاداش فردی
  • 43. یادگیری هماهنگ
  • 44. یادگیری رقابتی
  • 45. استراتژی‌های بازی استراتژیک
  • 46. استراتژی‌های پایدار
  • 47. استراتژی‌های تکاملی
  • 48. استراتژی‌های تطبیقی
  • 49. ارزیابی عملکرد عامل‌ها
  • 50. معیارهای ارزیابی در بازی‌ها
  • 51. مقایسه با انسان
  • 52. مقایسه با سایر الگوریتم‌ها
  • 53. کاربردهای یادگیری تقویتی چندعامله در بازی‌ها
  • 54. بازی‌های رومیزی استراتژیک
  • 55. بازی‌های ویدیویی استراتژیک
  • 56. شبیه‌سازی نبرد
  • 57. مدل‌سازی رفتار اقتصادی
  • 58. کاربردهای خارج از بازی
  • 59. مدیریت ترافیک
  • 60. بهینه‌سازی منابع
  • 61. سیستم‌های توصیه‌گر
  • 62. رباتیک چندرباته
  • 63. یادگیری تقویتی با پاداش‌های پراکنده
  • 64. استفاده از پاداش‌های مبتنی بر هدف
  • 65. تقسیم پاداش
  • 66. تکنیک‌های افزایش پاداش
  • 67. معماری‌های شبکه‌های عصبی برای یادگیری تقویتی چندعامله
  • 68. شبکه‌های عصبی کانولوشنال (CNN)
  • 69. شبکه‌های عصبی بازگشتی (RNN)
  • 70. شبکه‌های عصبی ترانسفورمر (Transformer)
  • 71. تکنیک‌های کاهش ابعاد
  • 72. کاهش ابعاد حالت
  • 73. کاهش ابعاد عمل
  • 74. یادگیری تقویتی با فضای عمل گسسته
  • 75. یادگیری تقویتی با فضای عمل پیوسته
  • 76. تکنیک‌های اکتشاف در محیط‌های چندعامله
  • 77. اکتشاف مبتنی بر آنتروپی
  • 78. اکتشاف مبتنی بر تعجب
  • 79. اکتشاف مبتنی بر پاداش
  • 80. یادگیری تقویتی با اهداف چندگانه
  • 81. تعریف توابع پاداش برای اهداف چندگانه
  • 82. اولویت‌بندی اهداف
  • 83. یادگیری تقویتی با محدودیت‌ها
  • 84. رعایت محدودیت‌های شرعی و قانونی
  • 85. رعایت محدودیت‌های فنی
  • 86. مدل‌سازی بازی‌های با اطلاعات ناقص
  • 87. تخمین حالت پنهان
  • 88. یادگیری تقویتی در محیط‌های پویا
  • 89. سازگاری با تغییرات محیط
  • 90. یادگیری تقویتی با عامل‌های غیرهمکار
  • 91. پیش‌بینی رفتار عامل‌های خارجی
  • 92. یادگیری تقویتی با عامل‌های همکار
  • 93. ایجاد اعتماد بین عامل‌ها
  • 94. پیاده‌سازی الگوریتم‌های پیشرفته
  • 95. الگوریتم‌های MADDPG
  • 96. الگوریتم‌های QMIX
  • 97. الگوریتم‌های COMA
  • 98. تست و اشکال‌زدایی سیستم‌های چندعامله
  • 99. روش‌های تست سیستم‌های هوشمند
  • 100. اشکال‌زدایی در محیط‌های پیچیده

📚 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.