هوش مصنوعی پیشرفته : یادگیری Reinforcement در پایتون

توضیحات

هوش مصنوعی : تقویت یادگیری درپایتون

راهنمای کامل برای هوش مصنوعی و یادگیری ماشین و آمادگی برای  تقویت یادگیری

 

زبان : انگلیسی

 

در این دوره چه چیزهایی را یاد خواهید گرفت ؟

• برای تقویت یادگیری از روش های یادگیری ماشین تحت نظارت مبتنی بر شیب اعمال میشود
• درک تقویت یادگیری در سطح فنی
• درک رابطه بین تقویت کننده یادگیری و روانشناسی
• پیاده سازی 17 الگوریتم یادگیری تقویتی مختلف

مهارت هایی که در این دوره باید بلد باشیم : 

• محاسبات
• احتمالات
• مدل مارکو
• Numpy Stack (یک کتابخانه برای زبان برنامه نویسی  پایتون )
• داشتن حداقل تجربه در حیطه یادگیری ماشین نظارت
• کاهش گرادیان
• مهارت های برنامه نویسی خوب در حیطه شی گرایی

توضیحات :

هنگامی که مردم در مورد هوش مصنوعی صحبت می کنند، معمولا به معنای یادگیری ماشین تحت نظارت و بدون نظارت نیست. این بحث ها در مورد چیزی که ما در مورد هوش مصنوعی فکر میکنیم  (بازی شطرنج و حرکات آن ، رانندگی اتومبیل ها ، ویدیوی بازی های جنگی در سطح فوق العاده انسانی ) بی اهمیت است . تقویت یادگیری  به تازگی برای انجام این کار ها  محبوب شده است در این حیطه تئوری های زیادی در دهه 80-70 کشف شد در این اواخر به نتایجی رسیدیم در سال 2016 ما AlphaGo گوگل را به عنوان قهرمان جهان در Go شکست دادیم. ما بازی های ویدئویی مانند Doom و Super Mario را دیدیم. اتوموبیل های که خود راننده خود هستند و حتی مسافرانی را سوار میکنند همه بدون کمک انسانی!!! اگر این به نظرشما  شگفت انگیز است، خودتان را برای آینده آماده کنید، زیرا این قانون روز به روز در حال پیشرفت است یادگیری در مورد ماشین های کنترل شده / نشده، کاری شاهکار نیست . تا به امروز من بیش از 16 دوره فقط در همین حیطه را دارم و در عین حال تقویت یادگیری یک دنیای کاملا جدید را نشان میدهد . همانطور که در این دوره یاد خواهید گرفت، که تقویت یادگیری ماشین های کنترل شده / نشده متفاوت است و در نهایت منجر به ایجاد یک بینش جدید در روانشناسی و علوم اعصاب شده است همانطور که در این دوره یاد خواهید گرفت، بسیاری از فرآیندهای مشابهی وجود دارد که در آن به تدریس یک عامل حیوانی یا حتی انسانی  می پردازد که  نزدیک ترین چیز به ساخت یک هوش مصنوعی عمومی است

در این دوره چه خبراست؟

• وجود مشکل راهزنان مسلحانه ومعضل جستجوی آن ها
• روشهای محاسبه و میانگین حرکات و رابطه آنها با تبادلات تصادفی
• پروسه های تصمیم گیری مارکوف (MDPs)
• برنامه نویسی پویا
• Monte Carlo
• تفاوت زمان (TD) یادگیری
• روشهای تقریبی (به عنوان مثال نحوه اتصال یک شبکه عصبی عمیق یا دیگر مدل متمایز به الگوریتم RL شما)

اگر آماده باشید که چالش جدیدی را به دست آورید و در مورد تکنیک های AI که شامل  یادگیری ماشین های کنترل شده و یادگیری ماشین های کنترل  نشده است پس حتما در این دوره شرکت کنید