کانال تلگرام پشتیبانی تلگرام شماره تماس پشتیبانی: 0930 395 3766
ورود ثبت نام

آموزش مبانی یادگیری تقویت عمیق با PyTorch - آخرین آپدیت

دانلود Foundations of Deep Reinforcement Learning with PyTorch

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: این دوره آموزشی یک بررسی جامع و عمیق در زمینه یادگیری تقویت‌شده (RL) با تمرکز بر کاربردهای عملی با استفاده از کتابخانه PyTorch است. شما مفاهیم کلیدی مانند API محیط OpenAI Gym، شبکه‌های Q عمیق (Deep Q-Networks) و کتابخانه‌های پیشرفته RL را فرا خواهید گرفت. با توجه به اهمیت روزافزون یادگیری تقویت‌شده در حوزه‌هایی مانند هوش مصنوعی، رباتیک و بازی‌سازی، تسلط بر این مهارت به شما کمک می‌کند تا در صنعت فناوری که به سرعت در حال تحول است، پیشرو باشید. شما از طریق پروژه‌های عملی و سناریوهای واقعی، توانایی‌های حل مسئله خود را ارتقا داده و تخصص کاربردی در ساخت مدل‌های RL کسب خواهید کرد. این دوره طیف گسترده‌ای از مباحث، از یادگیری جدولی و معادله بلمن گرفته تا شبکه‌های پیچیده Q عمیق را پوشش می‌دهد تا اطمینان حاصل شود که شما هم مهارت‌های بنیادی و هم پیشرفته RL را توسعه می‌دهید. آنچه این دوره را متمایز می‌کند، ترکیب دانش تئوری با تمرینات کدنویسی عملی است. شما یاد می‌گیرید که چگونه الگوریتم‌های RL را با استفاده از PyTorch پیاده‌سازی کنید و در عین حال ریاضیات و اصول زیربنایی آن‌ها را درک کنید، که این امر رویکردی جامع برای تسلط بر یادگیری تقویت‌شده فراهم می‌کند. این دوره برای متخصصان و دانشجویانی که پیش‌زمینه‌ای در یادگیری ماشین یا برنامه‌نویسی پایتون دارند، ایده‌آل است. داشتن دانش قبلی در مورد یادگیری عمیق یا شبکه‌های عصبی مفید خواهد بود، اما برای شروع الزامی نیست. این دوره، بخش اول از یک تخصص سه بخشی است که برای ارائه یک مسیر یادگیری جامع در یادگیری تقویت‌شده طراحی شده است. اگرچه این دوره به تنهایی ارزشمند است، اما زبان‌آموزانی که به دنبال پیشرفتی عمیق‌تر هستند، می‌توانند از تکمیل کل این تخصص بهره‌مند شوند.
سرفصل ها و درس ها

یادگیری تقویت‌شده چیست؟ What Is Reinforcement Learning?

  • مرور کلی Overview

API محیط OpenAI Gym و Gymnasium OpenAI Gym API and Gymnasium

  • مرور کلی Overview

یادگیری عمیق با PyTorch Deep Learning with PyTorch

  • مرور کلی Overview

روش انتروپی متقاطع (Cross Entropy) The Cross-Entropy Method

  • مرور کلی Overview

یادگیری جدولی و معادله بلمن Tabular Learning and the Bellman Equation

  • مرور کلی Overview

شبکه‌های Q عمیق Deep Q-Networks

  • مرور کلی Overview

کتابخانه‌های سطح بالای RL Higher-Level RL Libraries

  • مرور کلی Overview

ساختارها و الگوریتم های داده عملی در Rust [ویدئو]

ساختارها و الگوریتم های داده عملی در Rust [ویدئو]

Hands-On Data Structures and Algorithms in Rust [Video]

آموزش تحلیل پیش‌بینانه با پایتون (Predictive Analytics)

آموزش تحلیل پیش‌بینانه با پایتون (Predictive Analytics)

دانلود Intro to Predictive Analytics Using Python

آموزش الگوریتم‌های متوسط: گراف‌ها، درخت‌ها و پس‌گرد (Backtracking)

آموزش الگوریتم‌های متوسط: گراف‌ها، درخت‌ها و پس‌گرد (Backtracking)

دانلود Intermediate Algorithms: Graphs, Trees, and Backtracking

نمایش نظرات

آموزش مبانی یادگیری تقویت عمیق با PyTorch
جزییات دوره
6h 46m
7
(آخرین آپدیت)
193
- از 5
دارد
دارد
دارد
Chris Croft

https://donyad.com/d/99d0ef

جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Chris Croft Chris Croft

مربی مدیریت، سخنران، نویسنده

PyTorch (Machine Learning Library) Machine Learning Algorithms Algorithms Artificial Neural Networks Machine Learning Methods Machine Learning Python Programming Model Training Model Evaluation Model Optimization Reinforcement Learning Deep Learning PyTorch (کتابخانه یادگیری ماشین) الگوریتم‌های یادگیری ماشین الگوریتم‌ها شبکه‌های عصبی مصنوعی متدهای یادگیری ماشین یادگیری ماشین برنامه‌نویسی پایتون آموزش مدل ارزیابی مدل بهینه‌سازی مدل یادگیری تقویت‌شده یادگیری عمیق