یادگیری تقویتی عمیق

آنچه یاد خواهید گرفت:

• ساخت عامل‌های یادگیری تقویتی با استفاده از شبکه‌های عصبی عمیق و PyTorch
• پیاده‌سازی الگوریتم‌های اصلی DRL مانند DQN، PPO ،TD3 و SAC از ابتدا
• اعمال تکنیک‌های پیشرفته برای اکتشاف، یادگیری تقویتی مبتنی بر مدل و آموزش چند عاملی
• راه اندازییک محیط کامل توسعه DRL و اجرای آزمایش‌ها بر روی بنچ‌مارک های واقعی

پیش‌نیازهای دوره

• درک اولیه از مفاهیم یادگیری تقویتی مانند عامل‌ها، محیط‌ها و پاداش‌ها توصیه می‌شود.
• همچنین باید با مباحث جبر خطی مانند بردارها، ماتریس‌ها و تبدیل‌های اولیه آشنا باشید.
• تجربه قبلی در برنامه‌نویسی پایتون مفید است، زیرا الگوریتم‌ها را با PyTorch پیاده‌سازی خواهیم کرد.

توضیحات دوره

این دوره یک معرفی کامل به یادگیری تقویتی عمیق ارائه می‌دهد، جایی که روش‌های یادگیری تقویتی را با شبکه‌های عصبی عمیق ترکیب می‌کنیم. تمرکز هم بر درک مفاهیم و هم بر ساخت پیاده‌سازی‌های عملی به صورت گام به گام است.

ما با مرور مبانی یادگیری تقویتی و چگونگی کار تقریب تابع با شبکه‌های عصبی شروع می‌کنیم. سپس به روش‌های مبتنی بر ارزش مانند شبکه‌های Q عمیق (DQN) و گسترش‌های آن، الگوریتم‌های گرادیان سیاست مانند PPO ،DDPG ،TD3 و SAC، و تکنیک‌های پیشرفته برای اکتشاف، یادگیری مبتنی بر مدل و آموزش چند عاملی می‌پردازیم.

این دوره عملی است و شامل تمرین‌های کدنویسی در PyTorch می‌شود. شما عامل‌های خود را می‌سازید، با محیط‌هایی مانند Atari و شبیه‌سازی‌های رباتیک آزمایش می‌کنید و یاد می‌گیرید که چگونه یک خط توسعه مناسب برای تحقیقات و کاربردهای یادگیری تقویتی عمیق راه اندازی کنید.

علاوه بر الگوریتم‌های اصلی، موضوعات مهم مدرن شامل اکتشاف مبتنی بر کنجکاوی، مکانیزم‌های توجه، مدل‌های جهانی، آموزش توزیع‌شده و یادگیری تقویتی از بازخورد انسانی را پوشش می‌دهیم. این موضوعات دیدگاه گسترده‌تری درباره چگونگی کاربرد یادگیری تقویتی عمیق در عمل به شما می‌دهند.

در پایان دوره، شما قادر خواهید بود:

• درک کنید که چگونه یادگیری تقویتی و یادگیری عمیق ترکیب می‌شوند.
• الگوریتم‌های کلیدی را از ابتدا پیاده‌سازی کنید و آزمایش‌ها را اجرا کنید.
• روش‌های پیشرفته را در محیط‌های پیچیده اعمال کنید.

• از ابزارهایی مانند PyTorch و Gymnasium برای توسعه و آزمایش ایده‌های خود استفاده کنید.

این دوره برای افرادی طراحی شده است که قبلاً با مبانی یادگیری تقویتی آشنا هستند و با جبر خطی و پایتون راحت هستند. اگر می‌خواهید مهارت‌های خود را در روش‌های مدرن DRL گسترش دهید، این دوره پایه و تمرین مورد نیاز شما را فراهم می‌کند.

این دوره برای چه کسانی مناسب است؟

• این دوره برای افرادی طراحی شده است که قبلاً با مبانی یادگیری تقویتی آشنا هستند و می‌خواهند به بررسی یادگیری تقویتی عمیق بپردازند.
• این دوره برای دانشجویان علوم کامپیوتر، علم داده یا مهندسی و همچنین متخصصانی که می‌خواهند الگوریتم‌های DRL را بسازند و آزمایش کنند، مناسب است.