مسترکلاس یادگیری تقویتی

آنچه یاد خواهید گرفت:

• درک مفاهیم کلیدی و کامپوننت‌های یادگیری تقویتی (RL)، از جمله MDPs، سیاست‌ها، پاداش‌ها و توابع ارزش 
• اعمال الگوریتم‌هایی مانند SARSA و Q-Learning و REINFORCE و PPO و TRPO و SAC و DQN در پایتون
• استفاده از کتابخانه‌های مدرن مانند Stable-Baselines3 و TF-Agents برای حل مسائل واقعی با RL 
• پیاده‌سازی متدهای actor‑critic و گرادیان سیاست با شبکه‌های عصبی 
• درک اینکه چگونه یادگیری تقویتی را در محیط‌های چند ایجنتی و چندهدفی مورد استفاده قرار دهید.
• ساخت پروژه‌های end-to-end از جمله مدیریت موجودی، سیستم‌های توصیه‌گر و تخصیص منابع به کمک RL 

پیش‌نیازهای دوره

• درک اولیه از پایتون و Numpy توصیه می‌شود.
• آشنایی با احتمال، جبر خطی، یا یادگیری ماشین مفید خواهد بود، اما الزامی نیست. دوره از اصول اولیه شروع می‌شود و به تدریج پیش می‌رود.

توضیحات دوره

به دوره یادگیری تقویتی خوش آمدید! این دوره برای انتقال شما از مبانی یادگیری تقویتی (RL) تا تکنیک‌ها و کاربردهای پیشرفته طراحی شده است. چه دانشمند داده، محقق، توسعه‌دهنده نرم‌افزار یا فرد علاقه‌مند به هوش مصنوعی باشید، این دوره بینش‌ها و تجربه‌های عملی ارزشمندی در حوزه RL فراهم می‌کند.

در این دوره موارد زیر را درک خواهید کرد:

• درک اصول یادگیری تقویتی (RL) - یادگیری درباره کامپوننت های اصلی RL، از جمله ایجنت‌ها، محیط‌ها، اکشن ها، پاداش‌ها و states
• بررسی فرآیندهای تصمیم‌گیری مارکوف (MDPs) - بررسی مفاهیم سیاست‌ها، توابع ارزش و حل MDPs با استفاده از برنامه‌نویسی پویا
• حل مسائل سارق چند مسلح - درک اکشن‌های حریصانه، نمونه‌گیری تامپسون و مبادله بین اکتشاف و بهره‌برداری 
• تسلط به یادگیری اختلاف زمانی - یادگیری درباره یادگیری تفاوت زمانی، SARSA و Q‑Learning
• یادگیری Q-Learning عمیق - کشف شبکه‌های Deep Q (DQN) و بازپخش تجربه و شبکه‌های هدف 
• اعمال متدهای گرادیان سیاست - بررسی الگوریتم‌هایی مانند REINFORCE و Advantage Actor‑Critic (A2C) و Asynchronous Advantage Actor‑Critic (A3C) 
• پیاده‌سازی تکنیک‌های پیشرفته - یادگیری درباره بهینه‌سازی سیاست پروگزیمال (PPO)، بهینه‌سازی سیاست منطقه اعتماد (TRPO) و موارد دیگر
• درک استراتژی‌های تکاملی و الگوریتم‌های ژنتیک - آشنایی با این تکنیک‌های قدرتمند بهینه‌سازی 
• بررسی RL مبتنی بر مدل - یادگیری درباره برنامه‌نویسی پویا و الگوریتم Dyna‑Q 
• بررسی RL سلسله‌مراتبی - مطالعه سیاست‌های سلسله‌مراتبی، چارچوب گزینه‌ها و تجزیه تابع ارزش MAXQ 
• بررسی اکتشاف مبتنی بر کنجکاوی - درک انگیزه درونی در RL و ایجنت‌های کنجکاو
• یادگیری متدهای بیزی در RL - مطالعه بهینه‌سازی بیزی با فرآیندهای گاوسی و نمونه‌گیری تامپسون
• کشف RL توزیع‌ شده - بررسی معماری‌های مقیاس‌پذیر RL و بازپخش تجربه توزیع‌ شده 
• درک یادگیری تقویتی متا - یادگیری درباره یادگیری برای یادگیری و Meta‑RL مبتنی بر گرادیان 
• بررسی یادگیری تقویتی چند ایجنتی - مطالعه سیستم‌های چند ایجنتی، سناریوهای همکارانه و رقابتی، و الگوریتم‌های پیشرفته مانند MADDPG و MAPPO
• تمرکز بر RL ایمن - یادگیری درباره محدودیت‌های ایمنی، بهینه‌سازی سیاست محدود و RL با آگاهی از ریسک 
• مطالعه RL معکوس - درک مبانی، کاربردها و شکل‌پذیری پاداش در RL معکوس
• انجام ارزیابی بدون سیاست - یادگیری درباره بهینه‌سازی اهمیت‌، برآوردگرهای دوگانه قوی و متدهای دیگر 
• استفاده از تقریب تابع در RL - کشف یادگیری تقریب خطی و نقش شبکه‌های عصبی در RL 
• بهینه‌سازی با تکنیک‌های مبتنی بر مدل متوالی - بررسی بهینه‌سازی بیزی و فرآیندهای گاوسی در RL 
• تعادل اهداف متعدد در RL - مطالعه یادگیری RL چندهدفی و بهینه‌سازی پارتو
• درک شبکه‌های Q عمیق متناوب - یادگیری شبکه‌های عصبی تقویت‌پذیر حافظه و کاربرد آن در محیط‌های جزئی قابل مشاهده
• بررسی شبکه‌های Implicit Quantile - مطالعه توزیع‌ پایه RL و رگرسیون چندک
• بررسی کنترل اپیزودیک عصبی (NEC) - درک حافظه اپیزودیک در RL و الگوریتم NEC
• پیاده‌سازی تکرار سیاست با تقریب تابع - یادگیری درباره ارزیابی سیاست تکراری و تکرار سیاست‌های کلی
• اعمال RL در حوزه‌های مختلف - مطالعه کاربرد RL در روباتیک، سیستم‌های خودران، امور مالی، مدیریت زنجیره تأمین و بازاریابی

در پایان دوره، درک جامع‌تری از یادگیری تقویتی خواهید داشت و قادر خواهید بود آن را برای حل مسائل پیچیده در حوزه‌های مختلف به کار ببرید. به ما بپیوندید و در این حوزه پیشرفته ماهر شوید.

این دوره برای چه کسانی مناسب است؟

• کسی که می‌خواهد یادگیری تقویتی را از ابتدا یاد بگیرد و آن را در مسائل واقعی به کار گیرد.
• دانشمند داده، مهندس، محقق یا دانشجوی پیشرفته که قصد دارد از هر دو جنبه نظری و عملی به یادگیری تقویتی تسلط یابد.