Udemy – Cutting-Edge AI: Deep Reinforcement Learning in PyTorch (v2) 2026-4

در تاریخ: 1405/05/17 4:14:32

توضیحات

دوره Cutting-Edge AI: Deep Reinforcement Learning in PyTorch (v2). دنیای هوش مصنوعی با سرعتی باورنکردنی در حال پیشرفت است و یادگیری تقویتی عمیق (DRL) موتور محرک بزرگ‌ترین تحولات این حوزه محسوب می‌شود؛ از تسلط بر بازی‌های پیچیده گرفته تا رباتیک خودران و معاملات الگوریتمی. این دوره که در نسخه دوم خود به طور کامل از پایه بازطراحی شده، فراتر از یک به‌روزرسانی ساده است و با هدف تبدیل دانش‌پذیران از یک برنامه‌نویس کنجکاو به یک متخصص DRL تدوین شده است. در نسخه جدید، تمامی مطالب با ابزارهای استاندارد و مدرن صنعت، از جمله چارچوب PyTorch که انتخاب اول پژوهشگران هوش مصنوعی در سراسر جهان است، بازنگری شده‌اند. همچنین با ادغام موتور فیزیکی پیشرو MuJoCo که اکنون متن‌باز است، امکان شبیه‌سازی‌های دقیق فراهم شده و مفاهیم پیچیده ریاضی به شکلی شهودی، شفاف و جذاب ساده‌سازی شده‌اند تا پل میان نظریه‌های آکادمیک و پیاده‌سازی‌های عملیاتی به بهترین شکل ساخته شود.

آنچه فرا خواهید گرفت

مرور مفاهیم پایه یادگیری تقویتی شامل فرایندهای تصمیم‌گیری مارکوف (MDP)، معادله بلمن و Q-Learning.
فراگیری نظری و پیاده‌سازی عملی الگوریتم گرادیان سیاست قطعی عمیق (DDPG).
فراگیری نظری و پیاده‌سازی عملی الگوریتم TD3 (نسخه اصلاح‌شده DDPG).
به‌کارگیری الگوریتم‌های DDPG و TD3 در محیط‌های شبیه‌سازی فیزیکی MuJoCo.
انجام پروژه ویژه تعیین حجم موقعیت معاملاتی (Position Sizing) در معاملات الگوریتمی با استفاده از عامل‌های DDPG و TD3.

این دوره مناسب افرادیست که

علاقه‌مندان به یادگیری ماشین و هوش مصنوعی که می‌خواهند یکی از هیجان‌انگیزترین شاخه‌های این حوزه یعنی یادگیری تقویتی را کاوش کنند.
توسعه‌دهندگان و مهندسان نرم‌افزار که به دنبال ساخت عامل‌های هوشمندی هستند که از طریق تجربه یاد می‌گیرند.
متخصصان حوزه مالی که به کاربرد یادگیری تقویتی در مدیریت ریسک و معاملات الگوریتمی علاقه‌مند هستند.
دانشجویان و پژوهشگران رشته‌های هوش مصنوعی، علوم کامپیوتر یا علوم داده که قصد کسب تجربه عملی با پیاده‌سازی‌های واقعی یادگیری تقویتی را دارند.
بازی‌سازانی که می‌خواهند از یادگیری تقویتی برای آموزش رفتار‌های پیچیده به هوش مصنوعی در بازی‌ها استفاده کنند.
متخصصان رباتیک که قصد دارند نحوه اتخاذ تصمیمات متوالی توسط عامل‌ها در محیط‌های فیزیکی را بیاموزند.
دانشمندان داده‌ای که می‌خواهند ابزارهای خود را فراتر از یادگیری نظارت‌نشده یا نظارت‌شده گسترش دهند.
معامله‌گران و سرمایه‌گذارانی که به دنبال به‌کارگیری روش‌های پیشرفته هوش مصنوعی در استراتژی‌های معاملاتی خودکار هستند.
کارآفرینان و علاقه‌مندانی که مشتاق آزمایش مدل‌های پیشرفته هوش مصنوعی و ساخت پروژه‌هایی هستند که با گذشت زمان یاد می‌گیرند و سازگار می‌شوند.
متخصصانی که در حال تغییر مسیر شغلی به سمت هوش مصنوعی و یادگیری ماشین هستند و به دنبال پروژه‌های واقعی و قابل ارائه در رزومه می‌باشند.

مشخصات دوره Cutting-Edge AI: Deep Reinforcement Learning in PyTorch (v2)

ناشر: Udemy
مدرس: Lazy Programmer Team
سطح آموزش: مبتدی تا پیشرفته
مدت زمان آموزش: 13 ساعت و 23 دقیقه
تعداد دروس: 55

سرفصل های دوره

پیشنیازهای دوره Cutting-Edge AI: Deep Reinforcement Learning in PyTorch (v2)

Reinforcement Learning fundamentals: MDPs, Bellman Equation, Monte Carlo Methods, Temporal Difference Learning
Undergraduate STEM math: calculus, probability, statistics
Python programming and numerical computing (Numpy, Matplotlib, etc.)
Deep Learning fundamentals: neural networks, hyperparameter optimization, etc.