توضیحات
Modern Reinforcement Learning: Actor-Critic Agents، دوره آموزش یادگیری تقویتی: عامل-نقاد توسط آکادمی یودمی منتشر شده است. در این دوره پیشرفته یادگیری تقویتی، یاد می گیرید که چگونه policy gradient، عامل-نقاد، DDPG، TD3 و الگوریتم های SAC را در محیط های چالش برانگیز مختلف از open AI gym پیاده سازی کنید. تمرکز زیادی روی کار با محیط هایی با فضاهای کنش پیوسته وجود خواهد داشت که برای کسانی که به دنبال انجام تحقیقات در زمینه کنترل رباتیک با یادگیری تقویتی عمیق هستند، جالب توجه است. در اینجا یاد می گیرید که مقالات پژوهشی یادگیری تقویتی عمیق را خودتان بخوانید و آن ها را از ابتدا اجرا کنید. شما یک چارچوب تکرارپذیر برای اجرای سریع الگوریتم ها در مقالات تحقیقاتی پیشرفته یاد خواهید گرفت. تسلط بر محتوای این دوره یک جهش کوانتومی در توانایی های شما به عنوان یک مهندس هوش مصنوعی خواهد بود و شما را در میان دانشجویانی قرار خواهد داد که دیگران به او متکی هستند تا ایده های پیچیده را برای آن ها تجزیه کنند.
نگران نباشید، اگر مدتی از آخرین دوره یادگیری تقویتی شما می گذرد، با مروری سریع بر موضوعات اصلی شروع می کنیم. پس از تسلط بر اصول، سرعت افزایش می یابد و ما مستقیما وارد مقدمه ای برای روش های گرادیان سیاست می شویم. ما الگوریتم REINFORCE را پوشش می دهیم و از آن برای آموزش یک هوش مصنوعی برای فرود روی ماه در محیط ماه از Open AI gym استفاده می کنیم. در مرحله بعد به سراغ کدنویسی الگوریتم تک مرحله ای می رویم تا دوباره کره ماه را شکست دهیم. با کنار گذاشتن اصول، به سراغ پروژه های سخت تر خود می رویم: اجرای مقالات تحقیقاتی یادگیری تقویتی عمیق. ما کار خود را با الگوریتم Deep Destruction Policy Gradients (DDPG)شروع می کنیم که الگوریتمی برای آموزش ربات ها برای برتری در انواع وظایف کنترل پیوسته است. DDPG بسیاری از پیشرفت های یادگیری عمیق را با روش های سنتی عامل-نقاد ترکیب می کند تا به نتایج فوق العاده در محیط هایی با فضاهای اکشن پیوسته دست یابد.
آنچه خواهید آموخت
- نحوه کد نویسی متدهای گرادیان پالیسی در PyTorch
- چگونه در PyTorch الگوریتم DDPG کد نویسی کنیم
- چگونه در PyTorch الگوریتمTD3 کدنویسی کنیم
- چگونه الگوریتم های عامل-نقاد را در PyTorch کدنویسی کنیم
- چگونه مقالات پژوهشی هوش مصنوعی پیشرفته را در پایتون پیاده سازی کنیم
این دوره برای چه کسانی مناسب است
- دانشجویان پیشرفته هوش مصنوعی که می خواهند مقالات تحقیقاتی آکادمیک را پیاده سازی کنند
مشخصات دوره Modern Reinforcement Learning: Actor-Critic Agents
- ناشر : Udemy
- مدرس : Phil Tabor
- زبان: انگلیسی
- سطح آموزش : پیشرفته
- تعداد دروس : 74
- مدت زمان آموزش : 10 ساعت و 21 دقیقه
سر فصل های دوره
پیش نیاز های دوره
- Understanding of college level calculus
- Prior courses in reinforcement learning
- Able to code deep neural networks independently
تصاویر
فیلم نمونه
راهنمای نصب
پس از Extract، با Player دلخواه خود مشاهده کنید.
زیرنویس: انگلیسی
کیفیت: 720p
نسخه 2023/8 نسبت به 2020/8 به تعداد 16 درس افزایش و مدت زمان 2 ساعت 11 دقیقه افزایش داشته است.
لینک دانلود
گذرواژه فایل(ها): www.downloadly.ir
حجم فایل
2.65 گیگابایت
3 دیدگاه. همین الان خارج شوید
سلام،
امکانش هست بروز کنید؟ یا اگر نیست سرفصل های همون نسخه ای که گذاشتین رو بزارین؟
ممنون
سلام
سرفصل ها هماهنگ شد.
درود بر شما