توضیحات

آموزش ساخت هوش مصنوعی با یادگیری تقویت شده در پایتون

نام دوره : Advanced Reinforcement Learning in Python: from DQN to SAC

دوره زیر به عنوان مکمل دوره پیشنهاد می شود:

ساخت هوش مصنوعی با یادگیری تقویت شده در پایتون | Advanced Reinforcement Learning in Python: cutting-edge DQNs

پیش نیاز:

• با برنامه نویسی در پایتون راحت باشید
• دانستن آمار پایه (میانگین، واریانس، توزیع نرمال)

توضیحات:

این کامل ترین دوره آموزش یادگیری تقویتی پیشرفته در Udemy است.

در آن، پیاده سازی برخی از قدرتمندترین الگوریتم های یادگیری تقویتی عمیق در پایتون را با استفاده از PyTorch و PyTorch Lightning خواهید آموخت.

شما از ابتدا الگوریتم های تطبیقی ​​را پیاده سازی خواهید کرد که وظایف کنترلی را بر اساس تجربه حل می کنند.

شما یاد خواهید گرفت که این تکنیک ها را با شبکه های عصبی و روش های یادگیری عمیق ترکیب کنید تا عوامل هوش مصنوعی تطبیقی ​​ایجاد کنید که قادر به حل وظایف تصمیم گیری هستند.

این دوره شما را با آخرین فنون یادگیری تقویتی آشنا می کند. همچنین شما را برای دوره‌های بعدی این مجموعه آماده می‌کند، جایی که ما روش‌های پیشرفته دیگری را که در انواع دیگر وظایف برتر هستند، بررسی خواهیم کرد.

این دوره بر توسعه مهارت های عملی متمرکز است. بنابراین، پس از یادگیری مهم ترین مفاهیم هر خانواده از روش ها، یک یا چند الگوریتم آنها را در نوت بوک های jupyter، از ابتدا پیاده سازی می کنیم.

ماژول های سطح بندی:

• – Refresher: فرآیند تصمیم گیری مارکوف (MDP).
• – Refresher: Q-Learning.
• – Refresher: معرفی مختصر شبکه های عصبی.
• – Refresher: Deep Q-Learning.
• – Refresher: روش های گرادیان خط مشی

آموزش تقویتی پیشرفته:

• – PyTorch Lightning.
• – تنظیم فراپارامتر با Optuna.
• – یادگیری عمیق Q برای فضاهای کنش مستمر (عملکرد مزیت عادی – NAF).
• – گرادیان سیاست قطعی عمیق (DDPG).
• – DDPG تاخیری دوقلو (TD3).
• – Soft Actor-Critic (SAC).
• – بازپخش تجربه Hindsight (HER).

دوره آموزش ساخت هوش مصنوعی با یادگیری تقویت شده در پایتون برای چه کسانی است:

• توسعه دهندگانی که می خواهند در یادگیری ماشین شغلی پیدا کنند.
• دانشمندان/تحلیلگران داده و پزشکان ML به دنبال گسترش وسعت دانش خود هستند.
• دانشجویان و محققان رباتیک.
• دانشجویان و محققین مهندسی

بخشی از دوره :