آموزش یادگیری تقویتی در پایتون Python + گواهینامه

آموزش یادگیری تقویتی در پایتون Python + گواهینامه

یادگیری تقویتی چیست؟ یادگیری تقویتی (Reinforcement Learning)، یکی از روش‌های یادگیری ماشین است که در آن یک عامل (Agent) به صورت تعاملی با یک محیط (Environment) تعامل می‌کند و از تجربیات خود در تعامل با محیط برای یادگیری تصمیم‌گیری بهینه، استفاده می‌کند. در این نوع یادگیری، عامل با هدف کسب پاداش یا امتیاز (Reward) به صورت تعاملی تلاش می‌کند تا رفتارهای بهینه را در محیط داشته باشد. اهمیت پیاده‌سازی یادگیری تقویتی با پایتون چیست؟ پیاده‌سازی یادگیری تقویتی با استفاده از زبان برنامه‌نویسی پایتون اهمیت زیادی دارد؛ این اهمیت به دلیل ویژگی‌ها و امکانات منحصربه‌فردی است که پایتون به این حوزه ارائه می‌دهد. پایتون زبانی آسان برای یادگیری و استفاده است که به برنامه‌نویسان کمک می‌کند که به سرعت کدهای یادگیری تقویتی را بنویسند و تست کنند. همچنین، پایتون دارای یک اکوسیستم گسترده از کتابخانه‌ها و ابزارهای مرتبط با یادگیری ماشین و تقویتی است که کمک می‌کند تا پروژه‌ها به سرعت و با کیفیت بالا پیاده‌سازی شوند. برای مثال، کتابخانه‌های معروفی مانند TensorFlow ،PyTorch و OpenAI Gym به عنوان ابزارهای پرکاربرد در این زمینه با پایتون سازگاری دارند. در این فرادرس چه چیزی یاد می‌گیریم؟ در این آموزش، ابتدا به کلیت یادگیری تقویتی و کاربردهای آن می‌پردازیم، سپس تئوری حریصانه اپسیلون و رویکرد مقادیر اولیه بهینه را مورد بررسی قرار می‌دهیم. در انتها، فرایندهای مارکوف و ویژگی‌های آن، سیاست‌های بهینه و توابع ارزش بهینه و کنترل مونت کارلو بدون شروع کاوش را فرا خواهیم گرفت.

تریلر دوره

توضیحات کامل دوره

...

سرفصل‌های دوره

  • چکیده
    0:01:43

  • کلیات
    رایگان 0:10:10
  • آشنایی با یادگیری ماشین و یادگیری تقویتی
    0:11:01
  • پیش‌نیازهای ریاضی
    رایگان 0:07:04
  • پیش‌نیازهای آمار و احتمال
    0:14:12
  • آزمون ۱

  • معرفی مسئله راهزن چنددست
    0:04:03
  • دوراهی کاوش-بهره‌برداری
    0:04:05
  • الگوریتم حریصانه اپسیلون
    0:03:25
  • پیاده‌سازی راهزن تک‌دست در پایتون
    رایگان 0:09:44
  • پیاده‌سازی الگوریتم حریصانه اپسیلون در پایتون
    0:09:16
  • بررسی تاثیر پارامتر اپسیلون
    0:07:37
  • رویکرد مقادیر اولیه خوشبینانه
    0:02:50
  • پیاده‌سازی رویکرد خوشبینانه در پایتون
    0:04:43
  • رویکرد UCB
    0:03:54
  • پیاده‌سازی رویکرد UCB در پایتون
    0:05:43
  • رویکرد گرادیانی
    رایگان 0:08:19
  • پیاده‌سازی رویکرد گرادیانی در پایتون
    0:11:40
  • سناریوهای ناپایدار
    0:04:34
  • پیاده‌سازی سناریوهای ناپایدار در پایتون
    0:09:32
  • تمرین ۱ - بررسی رخداد کاوش یا بهره‌برداری
  • تمرین ٢ - بررسی رویکرد UCB
  • تمرین ۳ - تاثیر پارامتر c در UCB
  • آزمون ۲

  • مقدمه‌ای بر تصمیم مارکوف
    0:02:32
  • معرفی محیط GridWorld
    0:04:10
  • ملاحظات پیاده‌سازی GridWorld
    0:03:16
  • فرموله‌سازی مسئله MDP
    0:04:33
  • اپیزودها و بازده‌ها
    0:05:44
  • سیاست، ارزش و معادله بلمن
    رایگان 0:10:48
  • معادله بلمن – یک مثال ساده
    0:06:39
  • سیاست‌ها و ارزش‌های بهینه
    0:05:16
  • سیاست‌های بهینه برای مسئله GridWorld
    0:03:13
  • پیاده‌سازی GridWorld در پایتون – تعریف صفات و تابع دینامیک
    0:11:50
  • پیاده‌سازی GridWorld در پایتون – تعریف متد حرکت
    رایگان 0:07:45
  • پیاده‌سازی GridWorld در پایتون – تعریف و تست محیط‌های مختلف
    0:08:01
  • تمرین ۱ - مثال‌های کاربردی از MDP
  • تمرین ٢ - محاسبه ارزش‌ها با معادله بلمن
  • آزمون ۳

  • مقدمه‌ای بر برنامه‌ریزی پویا
    0:03:50
  • ارزیابی تکراری سیاست
    0:05:37
  • پیاده‌سازی ارزیابی تکراری سیاست در پایتون
    رایگان 0:08:40
  • تست ارزیابی تکراری سیاست در پایتون
    0:05:32
  • آشنایی با بهبود سیاست
    0:02:54
  • الگوریتم تکرار سیاست
    0:04:36
  • پیاده‌سازی الگوریتم تکرار سیاست در پایتون
    0:10:51
  • تست الگوریتم تکرار سیاست در پایتون
    0:06:37
  • الگوریتم تکرار ارزش
    0:06:24
  • پیاده‌سازی و تست الگوریتم تکرار ارزش در پایتون
    0:12:21
  • تمرین ۱ - بررسی تغییرات ارزش‌ها
  • آزمون ۴

  • مقدمه‌ای بر روش‌های مونت کارلو
    0:04:29
  • پیاده‌سازی مثال پرتاب تاس در پایتون
    0:05:45
  • ارزیابی سیاست مونت کارلو
    رایگان 0:11:33
  • پیاده‌سازی ارزیابی مونت کارلو در پایتون
    0:12:56
  • تست ارزیابی مونت کارلو در پایتون
    0:03:16
  • کنترل مونت کارلو با شروع‌های کاوشی
    0:04:17
  • پیاده‌سازی کنترل مونت کارلو با شروع‌های کاوشی در پایتون
    0:13:46
  • تست کنترل مونت کارلو با شروع‌های کاوشی در پایتون
    0:02:17
  • کنترل مونت کارلو بدون شروع‌های کاوشی
    0:02:25
  • پیاده‌سازی و تست کنترل مونت کارلو بدون شروع‌های کاوشی در پایتون
    0:05:01
  • تمرین ۱ - تفاوت رویکردهای برنامه‌ریزی پویا و مونت کارلو
  • تمرین ٢ - مونت کارلو و برنامه‌ریزی پویا
  • آزمون ۵

  • مقدمه‌ای بر یادگیری تفاضل زمانی
    0:04:05
  • ارزیابی سیاست TD(0)
    0:08:55
  • پیاده‌سازی و تست ارزیابی سیاست TD(0) در پایتون
    0:09:18
  • الگوریتم SARSA
    رایگان 0:04:46
  • پیاده‌سازی و تست الگوریتم SARSA در پایتون
    0:10:33
  • الگوریتم Q-Learning
    0:06:11
  • تمرین ۱ - درک رویکرد TD(0)
  • تمرین ٢ - مقایسه SARSA و Q-Learning

  • جمع‌بندی و نتیجه مباحث
    0:02:10
  • ادامه یادگیری
    0:04:38
  • دسترسی به آموزش‌های «ادامه یادگیری»
  • ادامه مسیر تا ورود به بازار کار

  • تمرین ۱ - مونت کارلو برای مجموع دو تاس

  • آموزش یادگیری تقویتی در پایتون Python

  • خلاصه و مرور آموزش
  • واژه‌نامه (Glossary)
  • سوالات متداول (FAQ)
  • مشاغل مرتبط
  • نمونه سئوالات مصاحبه شغلی

ارسال نظر شما

نظرات کاربران

نظرات کاربران

هنوز نظری ثبت نشده است.

2,890,000 تومان
578,000 تومان
80% تخفیف

این دوره شامل:
11 فصل آموزشی
6 ساعت ساعت آموزش
دسترسی مادام‌العمر
سطح: مبتدی
گواهی پایان دوره: ندارد
تاریخ انتشار: 1403/12/09
آخرین به‌روزرسانی: 2026-10-29 14:25:10
تعداد امتیازها: 0
تعداد دانشجو: 0
خرید اقساطی: ندارد
ضمانت بازگشت وجه: ندارد
برچسب‌ها: