یادگیری تقویتی برای معاملات الگوریتمی با پایتون
✅ سرفصل و جزئیات آموزش
آنچه یاد خواهید گرفت:
- آموزش و تست ایجنت یادگیری تقویتی (RL) برای معاملات الگوریتمی
- یادگیری و درک مبانی یادگیری تقویتی با پروژههای گیمیفیکیشن جذاب
- استفاده از چتجیپیتی برای پروژههای یادگیری تقویتی
- نصب و راهاندازی یادگیری تقویتی با پایتون و کتابخانه Gymnasium OpenAI
- نقاط قوت و ضعف یادگیری تقویتی (مقایسه با یادگیری ماشین و یادگیری عمیق)
- یوزکیسها و الگوریتمهای یادگیری تقویتی
- درک و تسلط به Q-Learning و Q-Tables برای پروژههای پیچیده یادگیری تقویتی
- شناسایی و مدیریت موانع یادگیری تقویتی مانند بیشبرازش و Plateaus عملکرد
پیشنیازهای دوره
- اتصال اینترنتی با قابلیت پخش ویدئوهای HD
- مهارتهای قوی کدنویسی پایتون (شامل Pandas و Numpy و Matplotlib)
- کمی آشنایی با علم داده یا یادگیری ماشین (ضروری نیست اما مفید است.)
توضیحات دوره
یادگیری تقویتی (RL) یک تکنیک پیشرفته هوش مصنوعی و مناسب برای معاملات الگوریتمی است، اما برای مبتدیان معمولاً پیچیده به نظر میرسد. این دوره به صورت خاص برای کسانی که در یادگیری تقویتی تازهکار هستند طراحی شده و چالشهای رایج مثل پیچیدگی، راهاندازی و دانش اولیه را پوشش میدهد.
این دوره شما را از طریق موانع کلیدی در تسلط به یادگیری تقویتی راهنمایی میکند و مهارتهای لازم برای طراحی و پیادهسازی ایجنتهای قدرتمند یادگیری تقویتی متناسب با استراتژیهای معاملاتی را در اختیارتان قرار میدهد.
چرا این دوره انتخاب ایدهآل برای شماست؟
- راهنمای گامبهگام از نصب و راهاندازی، همراه با مثالهای ساده و گیمیفای شده که مفاهیم پیچیده را برای همه قابل دسترس میکند.
- تئوری اساسی یادگیری تقویتی با تعادل مناسب - کافی برای درک، بدون افراط
- بررسی نحوه برتری یادگیری تقویتی نسبت به یادگیری ماشین و یادگیری عمیق در سناریوهای خاص و درک نحوه و زمان استفاده از آن در استراتژیهای معاملاتی
- بهرهگیری از قدرت چتجیپیتی، دستیار هوش مصنوعی شما، برای ناوبری پیچیدگیهای یادگیری تقویتی - یادگیری بهرهبرداری از دانش وسیع چتجیپیتی برای سفارشیسازی راهحلها برای پروژههای منحصر بهفرد شما
- یادگیری از Alexander Hagmann، متخصص باتجربه در علم داده و امور مالی، هوش مصنوعی و معاملات که تضمین میکند بینشهای شما هم فنی و هم بازار محور باشد.
این دوره مبتنی بر پروژه برای چالش و تقویت یادگیری شما سه پروژه عملی ارائه میدهد، طراحی شده. شما تشویق میشوید که این پروژهها را به صورت مستقل، قبل از غرق شدن در راهحلهای ارائه شده، حل کنید.
- چالش OpenAI Mountain Car
- چالش OpenAI Lunar Lander
- یادگیری تقویتی برای معاملات الگوریتمی - یک مثال واقعی
در پایان دوره، چارچوبی قوی برای نزدیک شدن به پروژههای یادگیری تقویتی با پایتون و چتجیپیتی، با مهارتهای عملی کدنویسی و دانش نظری برای برتری خواهید داشت.
چه کسانی باید در دوره شرکت کنند؟
این دوره برای معاملهگران الگوریتمی، سرمایهگذاران و کسی که مشتاق ارتقای مهارتهای خود با قدرت تحولآفرین یادگیری تقویتی است، مناسب است.
آیا آماده هستید تا قابلیتهای هوش مصنوعی خود را ارتقا دهید؟
هم اکنون در دوره شرکت کرده تا خود را در خط مقدم نوآوری هوش مصنوعی قرار دهید. شغلتان را متحول کرده، فرصتهای جدید را به روی خود باز کرده و آینده هوش مصنوعی را با اطمینان در آغوش بکشید.
این دوره برای چه کسانی مناسب است؟
- معاملهگران (الگوریتمی) و سرمایهگذاران که میخواهند استراتژیهای خود را با یادگیری تقویتی ارتقا دهند.
- مبتدیانی که میخواهند به پروژههای واقعی یادگیری تقویتی در کمترین زمان مسلط شوند.
- دانشمندان داده که به تقویت کارهایشان با هوش مصنوعی و یادگیری تقویتی علاقهمند هستند.
یادگیری تقویتی برای معاملات الگوریتمی با پایتون
-
خوشآمدگویی و مقدمه 01:36
-
معرفی سریع. 02:31
-
چگونه حداکثر بهره را از این دوره ببرید؟ 10:22
-
بررسی دوره 04:41
-
مطالب دوره و دانلودها (بروزرسانی ژانویه 2025) 02:33
-
دانلود و نصب آناکوندا 07:30
-
چگونه Jupyter Notebooks را باز کنیم؟ 12:24
-
چگونه با Jupyter Notebooks کار کنیم؟ 17:25
-
مهم - راهاندازی برای یادگیری تقویتی 10:07
-
مقدمه 01:43
-
بارگذاری و بررسی مجموعه داده با Pandas 05:49
-
قیمتها و بازده مالی 05:03
-
میانگینهای متحرک ساده (SMA) 04:49
-
Excursus - ایجاد اندیکاتورهای تکنیکال با Pandas 01:57
-
خطوط MACD 02:42
-
شاخص قدرت نسبی (RSI) 02:08
-
اسیلاتورهای تصادفی و نتیجهگیری 09:58
-
چتجیپیتی چیست و چگونه کار میکند؟ 03:56
-
چتجیپیتی در مقابل موتورهای جستجو 05:23
-
هوش مصنوعی در مقابل هوش انسانی 04:45
-
ایجاد حساب چتجیپیتی و شروع کار 07:44
-
بروزرسانی آگوست 2024 06:42
-
ویژگیها، گزینهها و محصولات پیرامون مدلهای جیپیتی 06:57
-
ناوبری وبسایت OpenAI 07:38
-
توکن چیست و توکنها چگونه کار میکنند؟ 07:33
-
تکنیکهای مهندسی پرامپت - بخش 1 12:33
-
تکنیکهای مهندسی پرامپت - بخش 2 05:03
-
تکنیکهای مهندسی پرامپت - بخش 3 08:01
-
مقدمه و بررسی 01:35
-
یادگیری تقویتی در مقابل یادگیری ماشین سنتی 09:06
-
یادگیری تقویتی - یوزکیسها 06:42
-
یادگیری تقویتی - مدلها و الگوریتمها 08:03
-
مقدمه 06:50
-
تکلیف پروژه 03:02
-
یک اپیزود تصادفی با رندرینگ انسانی 08:07
-
تعریف حداکثر تعداد گام در هر اپیزود 03:35
-
کد توضیح داده شده - خط به خط 07:21
-
اجرای چندین اپیزود تصادفی با رندرینگ انسانی 08:55
-
ارزیابی عملکرد و ارزیابی موفقیت 10:51
-
اجرای چندین اپیزود بدون رندرینگ انسانی 05:55
-
Excursus - رندرینگ RGB با مصورسازی 04:46
-
آموزش ایجنت یادگیری تقویتی با Q-Tables 08:54
-
توضیح Q-learning - هایپرپارامترها 11:14
-
توضیح Q-learning - بررسی Discretization فضای حالت 04:56
-
توضیح Q-learning - بررسی Q-Table 07:26
-
توضیح Q-learning - مصورسازی Q-Table 06:52
-
توضیح Q-learning - بروزرسانی Q-Table 13:52
-
تست ایجنت آموزش دیده 04:36
-
مصورسازی ایجنت آموزش دیده 03:10
-
بهبود ایجنت و آموزش (طوفان فکری) 08:34
-
Excursus - تصادفی بودن و تکرارپذیری رویدادهای تصادفی 11:57
-
آموزش و تست با تکرارپذیری (seed تصادفی) 05:06
-
تیونینگ هایپرپارامترها 03:19
-
افزایش تعداد اپیزودهای آموزش 04:06
-
مصورسازی فرآیند آموزش و Plateaus عملکرد 08:27
-
افزایش Discretization فضای حالت 07:31
-
نتیجهگیری و چشمانداز 03:21
-
مقدمه 05:29
-
تکلیف پروژه 02:11
-
یک اپیزود تصادفی با رندرینگ انسانی 08:33
-
اجرای چندین اپیزود تصادفی با رندرینگ انسانی 01:10
-
ارزیابی عملکرد و ارزیابی موفقیت 02:24
-
اجرای چندین اپیزود بدون رندرینگ انسانی 01:16
-
ذخیره و مصورسازی اپیزودهای موفق 02:42
-
ایجاد فضای مشاهده مناسب برای آموزش 08:31
-
Discretization فضای حالت 04:15
-
آموزش ایجنت یادگیری تقویتی برای Lunar Lander 05:43
-
ذخیره، بارگذاری و تست یک ایجنت آموزش دیده 05:22
-
ایجنت آموزش دیده لایو در عمل 02:11
-
مقدمه و تکلیف 04:30
-
بارگذاری و آمادهسازی مجموعه داده 01:56
-
تقسیم به مجموعه آموزش و تست 02:50
-
Discretization و Quantile Binning - بخش 1 07:56
-
Discretization و Quantile Binning - بخش 2 03:27
-
Discretization و Quantile Binning - بخش 3 06:09
-
سود و زیان معاملات 05:29
-
آشنایی با آموزش ایجنت (یک اپیزود) 05:21
-
آموزش ایجنت معاملات الگوریتمی - توضیح 11:42
-
یادگیری تقویتی با چندین اپیزود 08:52
-
بهینهسازی هایپرپارامترها 04:36
-
تست ایجنت روی داده جدید 06:31
-
اهمیت هزینههای معاملات 04:40
-
اصلاح تابع پاداش 08:59
-
ارزیابی عملکرد و شناسایی بیشبرازش 03:34
-
تحلیل بیشبرازش و اقدامات مقابلهای 07:18
-
بروزرسانی - دانلود فایلهای اضافی 01:18
-
مدل کمپیچیدگی و کمبرازش 07:05
-
مدل و چشمانداز متعادلتر 11:17
مشخصات آموزش
یادگیری تقویتی برای معاملات الگوریتمی با پایتون
- تاریخ به روز رسانی: 1404/09/07
- سطح دوره:مقدماتی
- تعداد درس:88
- مدت زمان :09:15:04
- حجم :5.45GB
- زبان:دوبله زبان فارسی
- دوره آموزشی:AI Academy