سپنتا کتاب اکسپرس
کتاب تکنیک‌های پیشرفته یادگیری تقویتی بدون مدل در هوش مصنوعی

کتاب تکنیک‌های پیشرفته یادگیری تقویتی بدون مدل در هوش مصنوعی

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 تکنیک‌های پیشرفته یادگیری تقویتی بدون مدل در هوش مصنوعی

موضوع کلی: یادگیری تقویتی چندعامله (MARL)

موضوع میانی: مدل‌های بدون مدل (Model-free RL)

📋 سرفصل‌های دوره

  • 1. مقدمه‌ای بر یادگیری تقویتی
  • 2. مفاهیم پایه یادگیری تقویتی
  • 3. عوامل کلیدی در یادگیری تقویتی
  • 4. فضای حالت و فضای عمل
  • 5. تابع پاداش و هدف یادگیری
  • 6. سیاست‌ها در یادگیری تقویتی
  • 7. تابع ارزش
  • 8. یادگیری مبتنی بر ارزش
  • 9. یادگیری مبتنی بر سیاست
  • 10. ترکیب ارزش و سیاست
  • 11. یادگیری تقویتی بدون مدل
  • 12. تفاوت یادگیری تقویتی با مدل و بدون مدل
  • 13. اهمیت یادگیری تقویتی بدون مدل
  • 14. روش‌های یادگیری تقویتی بدون مدل
  • 15. یادگیری آفلاین (Off-policy)
  • 16. یادگیری آنلاین (On-policy)
  • 17. مفاهیم اولیه یادگیری آفلاین
  • 18. الگوریتم‌های یادگیری آفلاین
  • 19. Q-learning
  • 20. Deep Q-Networks (DQN)
  • 21. Double DQN
  • 22. Dueling DQN
  • 23. Prioritized Experience Replay
  • 24. Noisy DQN
  • 25. Rainbow DQN
  • 26. Actor-Critic Methods
  • 27. مقدمه‌ای بر Actor-Critic
  • 28. ساختار Actor-Critic
  • 29. مزایای Actor-Critic
  • 30. الگوریتم‌های Actor-Critic
  • 31. Asynchronous Advantage Actor-Critic (A3C)
  • 32. Advantage Actor-Critic (A2C)
  • 33. Deep Deterministic Policy Gradient (DDPG)
  • 34. Twin Delayed Deep Deterministic Policy Gradient (TD3)
  • 35. Soft Actor-Critic (SAC)
  • 36. Proximal Policy Optimization (PPO)
  • 37. Trust Region Policy Optimization (TRPO)
  • 38. یادگیری تقویتی مبتنی بر مدل (Model-Based RL)
  • 39. مقدمه‌ای بر یادگیری مبتنی بر مدل
  • 40. ساخت مدل محیط
  • 41. استفاده از مدل برای برنامه‌ریزی
  • 42. مزایا و معایب یادگیری مبتنی بر مدل
  • 43. روش‌های یادگیری تقویتی مبتنی بر مدل
  • 44. Model Predictive Control (MPC)
  • 45. Dyna-Q
  • 46. AlphaGo و AlphaZero
  • 47. یادگیری تقویتی چندعامله (Multi-Agent RL)
  • 48. مقدمه‌ای بر یادگیری چندعامله
  • 49. چالش‌های یادگیری چندعامله
  • 50. همکاری و رقابت در یادگیری چندعامله
  • 51. الگوریتم‌های یادگیری چندعامله
  • 52. Multi-Agent Q-Learning
  • 53. MADDPG
  • 54. COMA
  • 55. اتصال یادگیری تقویتی به شبکه‌های عصبی عمیق
  • 56. شبکه‌های عصبی کانولوشنی (CNN) در RL
  • 57. شبکه‌های عصبی بازگشتی (RNN) در RL
  • 58. شبکه‌های عصبی ترنسفورمر در RL
  • 59. کاربرد شبکه‌های عصبی در یادگیری تقویتی بدون مدل
  • 60. بهینه‌سازی هایپرپارامترها در یادگیری تقویتی
  • 61. تنظیم نرخ یادگیری
  • 62. تنظیم ضریب تخفیف
  • 63. تنظیم اندازه بافر تجربه
  • 64. تنظیم اندازه دسته‌های یادگیری
  • 65. تنظیم معماری شبکه عصبی
  • 66. ارزیابی عملکرد الگوریتم‌های یادگیری تقویتی
  • 67. معیارهای ارزیابی
  • 68. تحلیل حساسیت
  • 69. مقایسه الگوریتم‌ها
  • 70. کاربردهای پیشرفته یادگیری تقویتی بدون مدل
  • 71. رباتیک و کنترل
  • 72. سیستم‌های توصیه‌گر
  • 73. بازی‌ها و شبیه‌سازی‌ها
  • 74. مدیریت منابع
  • 75. تحلیل داده‌های سری زمانی
  • 76. کاربرد در مسائل اقتصادی و مالی (با رعایت چارچوب مقررات)
  • 77. تکنیک‌های تنظیم‌گری (Regularization) در RL
  • 78. Dropou
  • 79. Batch Normalization
  • 80. Weight Decay
  • 81. تقویت یادگیری در محیط‌های با پاداش پراکنده
  • 82. Intrinsic Motivation
  • 83. Curiosity-Driven Learning
  • 84. Exploration Strategies
  • 85. یادگیری تقویتی در رباتیک پیشرفته
  • 86. کنترل حرکتی پیشرفته
  • 87. یادگیری وظایف پیچیده
  • 88. هماهنگی ربات‌ها
  • 89. کاربرد در سیستم‌های خودران (با رعایت چارچوب مقررات)
  • 90. یادگیری تقویتی در پردازش زبان طبیعی
  • 91. تولید متن
  • 92. خلاصه‌سازی متن
  • 93. ترجمه ماشینی
  • 94. کاربرد در بهینه‌سازی سیستم‌ها
  • 95. استفاده از یادگیری تقویتی در بهینه‌سازی شبکه‌های کامپیوتری
  • 96. مدیریت ترافیک شبکه
  • 97. تخصیص منابع در محاسبات ابری
  • 98. امنیت سایبری (با رعایت چارچوب مقررات)
  • 99. پیشرفت‌های اخیر در یادگیری تقویتی بدون مدل
  • 100. روش‌های یادگیری تقویتی ترکیبی

📚 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.