Deep Reinforcement Learning in PyTorch 2026

Deep Reinforcement Learning in PyTorch is a comprehensive, hands-on course designed to take you from the fundamentals to advanced, real-world mastery of wp-content. Whether you are just starting out or looking to level up, this course gives you the structured path and practical projects you need to succeed.

Throughout the lessons you will build genuine confidence with wp-content and uploads, learning through clear explanations and step-by-step examples you can apply immediately. Below you will find everything the course covers, who it is for, and a full breakdown of the curriculum before you download.

Course Description

دوره Advanced AI: Deep Reinforcement Learning in PyTorch (v2). این دوره جامع و به‌روز، مفاهیم اساسی تا پیشرفته یادگیری تقویتی (RL) را پوشش می‌دهد و برای دانشجویان، پژوهشگران و مهندسان هوش مصنوعی طراحی شده است. شرکت‌کنندگان با مبانی RL مانند پاداش‌ها، توابع ارزش، معادله بلمن و فرآیندهای تصمیم‌گیری مارکوف (MDPs) آشنا می‌شوند و الگوریتم‌های کلیدی مانند Q-Learning، یادگیری تفاضلی زمانی (TD) و روش‌های مونت‌کارلو را به‌صورت عملی در پایتون و کتابخانه Gymnasium پیاده‌سازی می‌کنند. همچنین، این دوره به آموزش ساخت شبکه‌های Deep Q-Networks (DQN) با استفاده از تکنیک‌هایی مانند بازپخش تجربه و شبکه‌های هدف می‌پردازد و روش‌های پیشرفته‌ای مانند Policy Gradient و A2C را بررسی می‌کند. یکی از بخش‌های جذاب، پیاده‌سازی هوش مصنوعی برای بازی‌های Atari با کتابخانه Stable Baselines 3 است. علاوه بر این، مباحثی مانند بهینه‌سازی سیاست، منظم‌سازی آنتروپی و کاربردهای عملی RL در دنیای واقعی نیز پوشش داده می‌شوند. این دوره با محتوای به‌روز، توضیحات شفاف و مثال‌های عملی، مهارت‌های لازم برای ساخت عوامل هوشمند و سازگار را در اختیار شرکت‌کنندگان قرار می‌دهد.

What You Will Learn

بررسی اصول اولیه یادگیری تقویتی: MDPs، معادله Bellman، Q-Learning.
نظریه و پیاده‌سازی یادگیری عمیق Q / DQN.
نظریه و پیاده‌سازی روش‌های گرادیان سیاست و A2C (Advantage Actor-Critic).
کاربرد DQN و A2C در محیط‌های Atari (مانند Breakout، Pong، Asteroids).
کاربرد A2C برای ساخت یک الگوریتم معامله‌گری برای بهینه‌سازی پرتفوی چند دوره‌ای (فقط برای اعضای VIP).

Who This Course Is For

علاقه‌مندان به یادگیری ماشین و هوش مصنوعی که می‌خواهند یکی از هیجان‌انگیزترین زمینه‌های هوش مصنوعی، یعنی یادگیری تقویتی، را کشف کنند.
توسعه‌دهندگان نرم‌افزار و مهندسان که به دنبال ساخت عوامل هوشمندی هستند که از تجربه یاد می‌گیرند.
متخصصان مالی کمی که علاقه‌مند به استفاده از RL در بهینه‌سازی پرتفوی و معامله‌گری الگوریتمی هستند.
دانشجویان و پژوهشگران رشته‌های هوش مصنوعی، علوم کامپیوتر یا علم داده که می‌خواهند تجربه عملی با پیاده‌سازی‌های واقعی RL داشته باشند.
توسعه‌دهندگان بازی که کنجکاو هستند در مورد استفاده از RL برای آموزش هوش مصنوعی برای رفتارهای پیچیده و گیم‌پلی تطبیقی.
متخصصان رباتیک که می‌خواهند یاد بگیرند چگونه عوامل می‌توانند تصمیمات متوالی را در محیط‌های فیزیکی بگیرند.
دانشمندان داده که قصد دارند جعبه ابزار خود را فراتر از یادگیری نظارت شده و یادگیری بدون نظارت گسترش دهند.
معامله‌گران و سرمایه‌گذاران که به دنبال استفاده از روش‌های پیشرفته هوش مصنوعی در استراتژی‌های معاملاتی خودکار هستند.
کارآفرینان و علاقه‌مندان که مشتاق آزمایش با مدل‌های پیشرفته هوش مصنوعی و ساخت پروژه‌هایی هستند که با گذشت زمان یاد می‌گیرند و سازگار می‌شوند.
متخصصانی که در حال تغییر شغل به هوش مصنوعی/یادگیری ماشین هستند و به دنبال پروژه‌های واقعی و قابل ارائه در رزومه خود هستند.

Course Features & Specifications

ناشر: Udemy
مدرس: Lazy Programmer Inc., Lazy Programmer Team
سطح آموزش: مبتدی تا پیشرفته
مدت زمان آموزش: 15 ساعت و 42 دقیقه
تعداد دروس: 65

Course Curriculum

Advanced AI: Deep Reinforcement Learning in PyTorch (v2)

Prerequisites

Reinforcement Learning fundamentals: MDPs, Bellman Equation, Monte Carlo Methods, Temporal Difference Learning
Undergraduate STEM math: calculus, probability, statistics
Python programming and numerical computing (Numpy, Matplotlib, etc.)
Deep Learning fundamentals: Convolutional neural networks, hyperparameter optimization, etc.