آموزش مفاهیم مقدماتی یادگیری تقویتی و پایتون به زبان ساده و قابل فهم

تشریح مفهوم ACTION , STATE , REWARD

تحلیل الگوریتم پاداش پروژه google deep mind

استراتژی پاداش برای آینده

روش تحلیل و پاداش دهی با فرآیند تصمیم گیری مارکوف با یک مثال عملی

درک مفهوم deterministic policy و stochastic policy

مفهوم state value function

معرفی معادله بلمن برای بهینه سازی

انتخاب سیاست های بهینه تر

معرفی action value function و انتخاب سیاست بهینه

آموزش مفاهیم مقدماتی یادگیری تقویتی و پایتون به زبان ساده و قابل فهم

ساخت شبکه های عصبی و شبکه عصبی پیچشی (convolutional neural networks) در پای تورچ (PyTorch)

۱. توسعه متدهای یادگیری تقویتی ارزش محور برای مشکلات پیچیده با استفاده از شبکه های عصبی عمیق ۲. پیاده سازی DQN همزمان با Double-DQN، Dueling-DQN و Prioritized Replay

استفاده از متدهای ارزش محور در پروژه های واقعی رباتیک

استفاده از شبکه های عصبی برای آموزش عامل یا ایجنت که رفتارهای هوشمند را از داده های حسی (sensory data) یاد میگیرد.

۱. تئوری الگوریتم های تکاملی، stochastic policy search و الگوریتم تقویتی ۲. استفاده از الگوریتم ها برای حل مشکل کنترل کلاسیک

۱. یادگیری تکنیک هایی مانند Generalized Advantage Estimation (GAE) برای کاهش واریانس متدهای policy gradient ۲. شناخت متدهای بهینه سازی policy مانند Trust Region Policy Optimization (TRPO و Proximal Policy Optimization (PPO)

آموزش الگوریتم های جدید مانند Deep Deterministic Policy Gradients (DDPG)

یادگیری استفاده از متدهای عملگر-منتقد (actor-critic) برای ایجاد استراتژی های تریدینگ مالی بهینه

آموزش حرکت بازوی رباتیک برای دستیابی به لوکیشن های موردنظر یا آموزش حرکت یک موجود مجازی

۱. تعریف بازی های مارکوف (Markov games) برای تعیین وظیفه یا تسک یادگیری تقویتی چند عاملی ۲. آموزش ایجنت ها در شرایط همکاری و رقابت

تسلط بر مهارت های DeepMind’s AlphaZero

ربات یادگیری عمیق تقویتی برای ترید ارزهای دیجیتال