یادگیری تقویتی و پایتون عمیق RL (تئوری و پروژه ها) [ویدئو]

Reinforcement Learning and Deep RL Python (Theory and Projects) [Video]

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.

نمونه ویدیوها: (صرفا برای مشاهده نمونه ویدیو، ممکن هست نیاز به شکن داشته باشید.)

توضیحات دوره: یادگیری تقویتی زیرمجموعه ای از یادگیری ماشینی است. در روش آموزش RL به اقدامات مورد نظر پاداش داده می شود و اعمال ناخواسته مجازات می شوند. Deep RL نیز زیر شاخه ای از یادگیری ماشین است. در RL عمیق، ماشین‌ها و نرم‌افزارهای هوشمند آموزش داده می‌شوند تا از اقدامات خود به همان روشی که انسان‌ها از تجربه می‌آموزند، بیاموزند. Deep RL توانایی حل مشکلات پیچیده ای را دارد که در گذشته توسط ماشین ها قابل مدیریت نبود. بنابراین، کاربردهای بالقوه RL عمیق در بخش های مختلف بسیار زیاد است. ما با مقدمه ای بر یادگیری تقویتی شروع می کنیم و به برخی از مطالعات موردی و نمونه های دنیای واقعی نگاه می کنیم. سپس به راه حل های ساده/تصادفی و راه حل های مبتنی بر RL نگاه خواهید کرد. در مرحله بعد، انواع مختلفی از راه حل های RL مانند hyperparameters، Markov Decision Process، Q-Learning و SARSA را مشاهده خواهید کرد و سپس یک پروژه کوچک در Frozen Lake را مشاهده خواهید کرد. سپس شما یادگیری عمیق/شبکه های عصبی و شبکه های عمیق RL/deep Q را یاد خواهید گرفت. در مرحله بعد، روی پروژه های اتومبیل رانی و تجارت کار خواهید کرد. در نهایت، تعدادی از سوالات مصاحبه را بررسی خواهید کرد. در پایان این دوره، شما قادر خواهید بود مفاهیم و کاربردهای عملی یادگیری تقویتی و تقویتی عمیق را با مشکلات دنیای واقعی مرتبط کرده و هر پروژه ای را که نیاز به تقویت و دانش یادگیری تقویتی عمیق دارد را از ابتدا اجرا کنید. همه فایل‌های منبع به مخزن GitHub در آدرس زیر اضافه می‌شوند: https://github.com/PacktPublishing/Reinforcement-Learning-and-Deep-RL-Python-Theory-and-Projects- از طریق برنامه‌های یادگیری تقویتی عمیق بروید. یادگیری Q-learning، SARSA و راه حل های تصادفی را با استفاده از پایتون بیاموزید اصول یادگیری عمیق و فراپارامترهای عمیق RL را مطالعه کنید با استفاده از Python یک برنامه Frozen Lake و با PyTorch یک پروژه CIFAR بسازید پروژه های Cart-Pole و Car Racing را با استفاده از Stable Baseline 3 از ابتدا بسازید ساخت ربات Trading RL و بررسی سوالات مصاحبه این دوره برای مبتدیانی طراحی شده است که مطلقاً چیزی در مورد تقویت و یادگیری تقویتی عمیق نمی دانند، کسانی که می خواهند راه حل های هوشمند ایجاد کنند، و کسانی که می خواهند مفاهیم نظری را ابتدا قبل از اجرای آنها با استفاده از آنها یاد بگیرند. پایتون. فردی که بخواهد PySpark را همراه با اجرای آن در پروژه های واقع گرایانه، یادگیری ماشینی یا عاشقان یادگیری عمیق یاد بگیرد و هر کسی که به هوش مصنوعی علاقه دارد، بسیار سود خواهد برد. شما به دانش قبلی پایتون، درک ابتدایی برنامه نویسی و تمایل به یادگیری و تمرین نیاز دارید. از یک دوره جامع و در عین حال خود توضیحی بیاموزید که به بیش از 145 ویدیو به همراه دفترچه یادداشت کد دقیق تقسیم شده است * دوره ساختاریافته با درک پایه ای قوی و مفاهیم کاربردی پیشرفته * توضیحات کاربردی به روز و کدنویسی زنده با پایتون برای ساخت شش پروژه در سرعت مناسب

سرفصل ها و درس ها

برای ارسال نظر ثبت نام کنید.