Udemy – Fundamentals of Reinforcement Learning 2025-8

در تاریخ: 1405/04/08 8:13:38

توضیحات

Fundamentals of Reinforcement Learning دوره آموزشی اصول یادگیری تقویتی می باشد که توسط آکادمی آنلاین یودمی منتشر شده است. این دوره آموزشی مقدمه‌ای جامع بر یکی از شاخه‌های اصلی یادگیری ماشین ارائه می‌دهد، که در آن عامل‌های هوشمند رفتار بهینه را از طریق تعامل با یک محیط می‌آموزند. این دوره که برای افراد، متخصصان هوش مصنوعی و توسعه‌دهندگان طراحی شده است، مبانی نظری و پیاده‌سازی عملی الگوریتم‌های یادگیری تقویتی مورد استفاده در رباتیک، هوش مصنوعی بازی، سیستم‌های خودمختار و برنامه‌های تصمیم‌گیری را پوشش می‌دهد. افراد مفاهیم کلیدی مانند فرآیندهای تصمیم‌گیری مارکوف (MDP)، پاداش‌ها، سیاست‌ها، توابع ارزش، اکتشاف در مقابل بهره‌برداری، برنامه‌نویسی پویا، روش‌های مونت کارلو، یادگیری تفاضل زمانی (TD) و یادگیری Q را خواهند آموخت.

این دوره اصول اولیه این شاخه هیجان‌انگیز هوش مصنوعی را توضیح می‌دهد. شما با تئوری زیربنای الگوریتم‌ها آشنا می‌شوید و پیاده‌سازی عملی آنها را در پایتون به صورت عملی خواهید آموخت. در این دوره فرصت‌های زیادی برای این کار وجود دارد و هر بخش با یک تکلیف کدنویسی همراه است که در آن خودتان الگوریتم‌ها را خواهید ساخت. در پایان این دوره، شما درک اساسی از این الگوریتم‌ها خواهید داشت.

آنچه در دوره Fundamentals of Reinforcement Learning یاد خواهید گرفت:

مفاهیم اصلی یادگیری تقویتی را از راهزنان مسلح به k تا الگوریتم‌های برنامه‌ریزی پیشرفته فرا بگیرید.
الگوریتم‌های کلیدی یادگیری تقویتی از جمله مونت کارلو، SARSA و یادگیری Q را از ابتدا در پایتون پیاده‌سازی کنید.
تکنیک‌های یادگیری تقویتی را برای حل مسائل کلاسیک مانند دریاچه یخ‌زده، اجاره ماشین جک، بلک جک و پیاده‌روی روی صخره به کار ببرید.
درک عمیقی از مبانی ریاضی زیربنای رویکردهای یادگیری تقویتی مدرن ایجاد کنید.
و …

مشخصات دوره

ناشر: یودمی
مدرس: Tom Walker
زبان: انگلیسی
سطح آموزش: متوسط
تعداد دروس: 52
مدت زمان آموزش: 10 ساعت و 39 دقیقه

سرفصل های دوره

Fundamentals of Reinforcement Learning Content

پیش نیازهای دوره Fundamentals of Reinforcement Learning

Students should be comfortable with Python programming, including NumPy and Pandas.
Basic understanding of probability concepts is beneficial (probability distributions, random variables, conditional and joint probabilities)
While familiarity with other machine learning methods is helpful, it’s not required. We’ll build the necessary reinforcement learning concepts from the ground up.
Section assignments are in pure python (rather than Jupyter Notebooks), and often span edits to multiple modules, so students should be setup with an editor (e.g. VS Code or PyCharm)