The RL Hub – Telegram
The RL Hub
@RL_Hub
80 subscribers
68 photos
1 video
80 links
The RL Hub is a Persian platform teaching reinforcement learning from basics to advanced topics.

به طور ساده RLH یه پلتفرم فارسیه که یادگیری تقویتی رو از مبانی تا موضوعات پیشرفته آموزش می‌ده.

با ما از طریق دایرکت مسج در ارتباط باشید و نظراتتون رو بگید.
Download Telegram
About
Blog
Apps
Platform
Join
The RL Hub
80 subscribers
The RL Hub
📚 تبدیل خطی (Linear Transformation)

⏳ زمان مطالعه: ۱ دقیقه و نیم

💳 #جبرخطی

⭐️ تعریف تبدیل خطی
یک تبدیل خطی، یک تابع T: V → W بین دو فضای برداری است که خواص جمع برداری و ضرب عددی را حفظ می‌کند:

🎙 حفظ جمع برداری
T(A + B) = T(A) + T(B)


🎙 حفظ ضرب عددی:
T(cA) = cT(A)


این یعنی ساختار برداری تحت تبدیل تغییر نمی‌کند و عملیات جبری بین بردارها حفظ می‌شود.

♾ شهود هندسی
تصور کنید که بردارهایی در یک صفحه دو بعدی دارید و آن‌ها را از طریق یک تابع به یک فضای دیگر می‌برید.
اگر این تبدیل باعث دوران، مقیاس‌دهی یا انعکاس شود اما ترتیب و ساختار هندسی حفظ شود، آن را یک تبدیل خطی می‌نامیم.
اما اگر تبدیل شامل چین‌خوردگی، پیچیدگی یا انتقال غیرخطی باشد، دیگر خطی نخواهد بود.

💬 بیان ماتریسی تبدیل خطی
در عمل، بیشتر تبدیل‌های خطی را می‌توان با ضرب یک ماتریس در یک بردار نمایش داد. یعنی اگر:
T(X) = AX


که در آن، A یک ماتریس m×n و X یک بردار n×1 است، این یک تبدیل خطی است.

🔻 ما رو به رفیق‌هاتون معرفی کنین که هاب اصلی RL، همین‌جاست!

🌐 the-rl-hub.github.io
✈️ @RL_Hub
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥5❤4👍2
88 viewsedited  
The RL Hub
📚 فرآیند گرام-اشمیت (Gram-Schmidt Process)

⏳ زمان مطالعه: ۱ دقیقه و نیم

💳 #جبرخطی

⭐️ تعریف فرآیند گرام-اشمیت
فرآیند گرام-اشمیت یک روش در جبرخطی است که مجموعه‌ای از بردارهای خطی مستقل را به مجموعه‌ای از بردارهای متعامد (Orthogonal) یا متعامد-یکه (Orthonormal) تبدیل می‌کند.

🎙 چرا این فرآیند مهم است؟

⬅️ ایجاد پایه‌های متعامد
⬅️ استفاده در فاکتورگیری QR

📁 شهود هندسی
فرض کنید چند بردار دارید که روی صفحه‌ای به‌طور دل‌خواه قرار گرفته‌اند.
گرام-اشمیت این بردارها را یکی‌یکی پردازش می‌کند و آن‌ها را به بردارهایی متعامد تبدیل می‌کند.

💬 چگونه کار می‌کند؟
اولین بردار را همان‌طور که هست نگه می‌داریم.
بردار دوم را طوری تنظیم می‌کنیم که نسبت به بردار اول متعامد شود.
این فرآیند را برای سایر بردارها تکرار می‌کنیم، به‌طوری که هر بردار جدید نسبت به بردارهای قبلی متعامد باشد.
در صورت نیاز، بردارها را نرمال‌سازی می‌کنیم تا به پایه‌ی متعامد-یکه تبدیل شوند.

🔻 ما رو به رفیق‌هاتون معرفی کنین که هاب اصلی RL، همین‌جاست!

🌐 the-rl-hub.github.io
✈️ @RL_Hub
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥6👍3❤2
85 views
The RL Hub
📚 برآورد بیشینه پسین (Maximum A Posteriori - MAP)

⏳ زمان مطالعه: ۱ دقیقه و نیم

💳 #آمار
💳 #احتمال

🎙 تعریف
برآورد بیشینه پسین (MAP) روشی در آمار بیزی است که محتمل‌ترین مقدار برای یک متغیر تصادفی را، با در نظر گرفتن اطلاعات پیشین، پیدا می‌کند.

📁 چرا MAP مهم است؟

⬅️ استفاده از اطلاعات پیشین: برخلاف روش (MLE) که فقط داده‌های مشاهده‌شده را در نظر می‌گیرد، MAP دانش قبلی را هم لحاظ می‌کند.
⬅️ کاربرد در یادگیری ماشین: در مسائل مانند (Naïve Bayes).

💬 تفاوت MLE و MAP
برآورد درست‌نمایی بیشینه (MLE): فقط احتمال داده‌ها را ماکزیمم می‌کند.
برآورد بیشینه پسین (MAP): علاوه بر داده‌ها، اطلاعات پیشین را هم لحاظ می‌کند.

💬 مثال کاربردی
در تشخیص چهره با یادگیری ماشین، مدل باید تصمیم بگیرد که آیا تصویر ورودی مربوط به فردی خاص است یا نه.
- این‌جا MLE فقط داده‌های آموزش مدل را بررسی می‌کند.
- این‌جا MAP علاوه بر داده‌های آموزش، اطلاعات قبلی درباره‌ی احتمال حضور این فرد در تصویر را هم لحاظ می‌کند.

🔻 ما رو به رفیق‌هاتون معرفی کنین که هاب اصلی RL، همین‌جاست!

🌐 the-rl-hub.github.io
✈️ @RL_Hub
Please open Telegram to view this post
VIEW IN TELEGRAM
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥5👏3👍2❤1
89 views
The RL Hub
📚 ماتریس هسین (Hessian Matrix)

⏳ زمان مطالعه: ۱ دقیقه و نیم

💳 #جبرخطی

🎙 تعریف ماتریس هسین
ماتریس هسین (Hessian Matrix) یک ماتریس مربعی است که شامل مشتقات مرتبه دوم یک تابع چندمتغیره است. این ماتریس اطلاعات مهمی درباره‌ی انحنای تابع ارائه می‌دهد و در بهینه‌سازی، یادگیری ماشین، و فیزیک محاسباتی کاربرد زیادی دارد.

💬 چرا هسین مهم است؟
⬅️ بررسی مینیمم و ماکزیمم تابع: با استفاده از هسین می‌توان فهمید که آیا یک نقطه بحرانی ماکزیمم، مینیمم یا زینی (Saddle Point) است.
⬅️ بهینه‌سازی در یادگیری ماشین: در الگوریتم‌هایی مانند نیوتن رافسون برای یافتن نقاط بهینه استفاده می‌شود.

💬 کاربرد عملی
در یادگیری ماشین و شبکه‌های عصبی، ماتریس هسین بررسی می‌کند که چگونه گرادیان تغییر می‌کند.
- اگر مقدار ویژه‌های هسین مثبت باشند → تابع محدب است (مینیمم محلی داریم).
- اگر مقدار ویژه‌های آن منفی باشند → تابع مقعر است (ماکزیمم محلی داریم).

🔻 ما رو به رفیق‌هاتون معرفی کنین که هاب اصلی RL، همین‌جاست!

🌐 the-rl-hub.github.io
✈️ @RL_Hub
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥4❤2👍2👏2
87 views
The RL Hub
📚 قانون اعداد بزرگ (Law of Large Numbers - LLN)

⏳ زمان مطالعه: ۱ دقیقه و نیم

💳 #آمار
💳 #احتمال

🎙 قانون اعداد بزرگ چیه؟
قانون اعداد بزرگ (LLN) می‌گه که هر چقدر تعداد نمونه‌هایی که از یک متغیر تصادفی می‌گیریم بیشتر بشه، میانگین نمونه‌ای ما به میانگین واقعی (امید ریاضی) اون متغیر نزدیک‌تر می‌شه.

💬 چرا مهمه؟
⬅️ پایه‌ی آمار و احتمال → این قانون اساس بسیاری از روش‌های آماری و یادگیری ماشینه.
⬅️ کاربرد در دنیای واقعی → از پیش‌بینی آب‌وهوا گرفته تا قمار و سرمایه‌گذاری، همه جا این قانون دیده می‌شه.
⬅️ تضمین همگرایی → می‌گه اگه داده‌های کافی داشته باشیم، تخمین‌های ما قابل اعتمادتر می‌شن.

💬 یک مثال شهودی
فرض کن یک سکه‌ای داریم که احتمال شیر اومدنش 0.5 هست.

⬅️ اگه فقط ۱۰ بار بندازیم، شاید ۷ بار شیر بیاد که با احتمال واقعی 0.5 خیلی فرق داره.
⬅️ اگه ۱۰۰۰ بار بندازیم، احتمالاً تعداد شیرها حدود 500 تا خواهد بود.
⬅️ اگه ۱۰۰,۰۰۰ بار بندازیم، درصد شیرها خیلی نزدیک به 50% می‌شه.

💬 نتیجه: هر چی تعداد آزمایش‌ها بیشتر بشه، میانگین مشاهدات ما به مقدار واقعی نزدیک‌تر می‌شه.

🔻 ما رو به رفیق‌هاتون معرفی کنین که هاب اصلی RL، همین‌جاست!

🌐 the-rl-hub.github.io
✈️ @RL_Hub
Please open Telegram to view this post
VIEW IN TELEGRAM
👍4🔥3👏2❤1
72 views
The RL Hub
📚 قطری‌سازی ماتریس (Diagonalization)

⏳ زمان مطالعه: ۱ دقیقه و نیم

💳 #جبرخطی

🎙 قطری‌سازی چیست؟
قطری‌سازی (Diagonalization) یعنی تبدیل یک ماتریس مربعی به شکلی که فقط روی قطرش مقادیر غیر صفر داشته باشد. اگر یک ماتریس قابل قطری‌سازی باشد، می‌توان آن را به این صورت نوشت:
A = P D P^(-1)


که در آن:
◀️ ماتریس A، ماتریس اصلی است.
◀️ ماتریس D یک ماتریس قطری است (فقط روی قطر مقدار دارد).
◀️ ماتریس P ماتریسی است که ستون‌های آن بردارهای ویژه (eigenvectors) هستند.
◀️ ماتریس P^(-1) معکوس ماتریس P است.

🔽 چرا قطری‌سازی مهمه؟
⬅️ محاسبات راحت‌تر می‌شن → مثلاً به جای ضرب‌های پیچیده، می‌شه مستقیماً روی D کار کرد.
⬅️ معادلات دیفرانسیل ساده‌تر می‌شن → کاربرد در فیزیک و مهندسی.
⬅️ کاهش پیچیدگی در یادگیری ماشین → مخصوصاً در تحلیل داده‌های بزرگ.

📁 چه زمانی یک ماتریس قابل قطری‌سازیه؟
⬅️ اگر n تا بردار ویژه مستقل داشته باشه، یعنی n تا ستون P خطی مستقل باشن.
⬅️ معمولاً وقتی n مقدار ویژه متمایز داره، قابل قطری‌سازیه.

🔻 ما رو به رفیق‌هاتون معرفی کنین که هاب اصلی RL، همین‌جاست!

🌐 the-rl-hub.github.io
✈️ @RL_Hub
Please open Telegram to view this post
VIEW IN TELEGRAM
👍4🔥3👏2❤1
78 views
The RL Hub
📚 تبدیل آفین (Affine Transformation)

⏳ زمان مطالعه: ۱ دقیقه و نیم

💳 #جبرخطی

🎙 تعریف تبدیل آفین
تبدیل آفین (Affine Transformation) نوعی نگاشت در فضای برداری است که خطوط راست را حفظ می‌کند، اما ممکن است اندازه، جهت، یا مکان اشیا را تغییر دهد. این تبدیل ترکیبی از یک تبدیل خطی و یک انتقال (Translation) است.

🔽 چرا تبدیل آفین مهم است؟

◀️ در پردازش تصویر و گرافیک کامپیوتری، برای تغییر مقیاس، چرخش، و انتقال اشیا استفاده می‌شود.
◀️ در یادگیری ماشین، برای تغییر فضای ویژگی‌ها و تنظیم داده‌ها به‌کار می‌رود.

📁 اجزای یک تبدیل آفین
یک تبدیل آفین شامل دو بخش است:
◀️ بخش خطی (مانند مقیاس، دوران، انعکاس)
◀️ بخش انتقالی (جابجایی بدون تغییر مقیاس یا چرخش)

💬 تفاوت با تبدیل خطی
◀️ در تبدیل خطی، نقطه مبدأ (۰,۰) تغییر نمی‌کند.
◀️ در تبدیل آفین، نقطه مبدأ می‌تواند جابه‌جا شود.

💬 مثال
- دوران یک شی حول مبدأ → تبدیل خطی
- دوران و سپس جابه‌جایی شی → تبدیل آفین

🔻 ما رو به رفیق‌هاتون معرفی کنین که هاب اصلی RL، همین‌جاست!

🌐 the-rl-hub.github.io
✈️ @RL_Hub
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥5❤2👍2🥰1👏1
83 views
The RL Hub
This media is not supported in your browser
VIEW IN TELEGRAM
📚 تحلیل مؤلفه‌های اصلی (Principal Component Analysis - PCA)

⏳ زمان مطالعه: ۱ دقیقه و نیم

💳 #جبرخطی

🎙 تعریف PCA
تحلیل مؤلفه‌های اصلی (PCA) یک روش کاهش ابعاد است که داده‌های پیچیده را به ابعاد کمتری تبدیل می‌کند، در حالی که بیشترین میزان اطلاعات را حفظ می‌کند.

💬 چرا PCA مهم است؟
◀️ کاهش ابعاد
◀️ حذف نویز
◀️ تصویرسازی داده‌های پیچیده
◀️ افزایش کارایی مدل‌های یادگیری ماشین

⭐ شهودی از PCA
تصور کنید یک مجموعه عکس از دست‌خط افراد دارید. این دست‌خط‌ها ویژگی‌های متفاوتی مثل شیب حروف، اندازه، یا فاصله بین کلمات دارند.
در واقع، PCA تلاش می‌کند مهم‌ترین الگوها را پیدا کند.

🔑 مثلاً متوجه می‌شود که شیب حروف مهم‌ترین عامل تمایز است، سپس اندازه حروف و در نهایت فاصله بین کلمات را در نظر می‌گیرد.

🖋 چطور کار می‌کند؟
🔽 محاسبه میانگین و تغییرات داده‌ها
🔽 یافتن جهت‌هایی که بیشترین تغییرات را نشان می‌دهند (محورهای جدید)
🔽 تبدیل داده‌ها به این محورهای جدید

🔻 ما رو به رفیق‌هاتون معرفی کنین که هاب اصلی RL، همین‌جاست!

🌐 the-rl-hub.github.io
✈️ @RL_Hub
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥4👏3👍2❤1
109 views
The RL Hub
📚 گرادیان (Gradient)

⏳ زمان مطالعه: ۱ دقیقه و نیم

💳 #ریاضیات

🎙 گرادیان چیه؟
گرادیان یه بردار ریاضی‌ست که نشون می‌ده تابع ما توی هر نقطه در چه جهتی بیشترین رشد (کاهش) رو داره.
مقدار هر مؤلفه‌ی گرادیان، نشون‌دهنده‌ی میزان تغییر تابع نسبت به اون متغیر هست.

💬 شهود ساده
فرض کن روی یک تپه‌ای. چشم‌هات بسته‌ست ولی فقط با حس پا‌هات می‌فهمی شیب زمین چجوریه.
گرادیان به ما نشون می‌ده که:
به کدوم سمت برو که بیشترین افزایش ارتفاع رو داشته باشی.

یا اگه بخوای بری پایین تپه (کمینه‌سازی)، برعکسش رو انتخاب می‌کنی، یعنی خلاف جهت گرادیان.

📄 مثال شهودی در یادگیری ماشین
در یک مدل یادگیری ماشین، ما می‌خوایم خطا (Loss) رو کم کنیم.
گرادیان به ما نشون می‌ده که:
اگه پارامترها رو فلان مقدار تغییر بدی، خطا کم‌تر می‌شه!

و تو الگوریتم‌هایی مثل Gradient Descent دقیقاً از همین مفهوم برای به‌روزرسانی وزن‌ها استفاده می‌شه.

⬅️ کاربردهای مهم:
بهینه‌سازی (Optimization): پیدا کردن کمینه یا بیشینه توابع
یادگیری ماشین: آموزش مدل‌ها با بهینه‌سازی تابع هزینه

🔻 ما رو به رفیق‌هاتون معرفی کنین که هاب اصلی RL، همین‌جاست!

🌐 the-rl-hub.github.io
✈️ @RL_Hub
Please open Telegram to view this post
VIEW IN TELEGRAM
👍5🥰2👏2❤1
91 views
The RL Hub
📚 تجزیه ماتریس (Matrix Decomposition)

⏳ زمان مطالعه: ۱ دقیقه

💳 #جبرخطی

تجزیه ماتریس یعنی شکستن یک ماتریس پیچیده به چند ماتریس ساده‌تر. این کار مثل باز کردن یک دستگاه پیچیده به قطعات کوچک‌تره که فهم و استفاده ازش رو راحت‌تر می‌کنه.

💬 در ریاضیات، ماتریس A ممکنه به شکل‌های مختلفی تجزیه بشه، مثلاً:

➡️ LU Decomposition (به دو ماتریس مثلثی پایین و بالا)
➡️ QR Decomposition
➡️ SVD (تجزیه مقدارهای منفرد)
➡️ Eigen Decomposition (ویژه‌بردارها و ویژه‌مقدارها)

⭐️ چرا مهمه؟
⬅️ حل سریع‌تر معادلات خطی
⬅️ کاهش ابعاد داده‌ها (مثلاً با SVD توی فشرده‌سازی تصویر یا یادگیری ماشین)
⬅️ بررسی ساختار داده
⬅️ افزایش پایداری عددی در محاسبات

🔻 ما رو به رفیق‌هاتون معرفی کنین که هاب اصلی RL، همین‌جاست!

🌐 the-rl-hub.github.io
✈️ @RL_Hub
Please open Telegram to view this post
VIEW IN TELEGRAM
👏6👍2🔥2❤1
83 views
The RL Hub
📚 ماتریس‌های مثبت نیمه معین (Positive Semidefinite Matrices)

⏳ زمان مطالعه: ۱ دقیقه

💳 #جبرخطی

ماتریس مثبت نیمه معین، یعنی یک ماتریس مربعی که وقتی یک بردار رو بهش بدی و ضرب داخلی بگیری، مقدار به‌دست‌اومده منفی نیست.

📁 تعریف ساده‌شده:
برای هر بردار x ≠ 0 داریم
xᵀ A x ≥ 0


این یعنی ماتریس A باعث نمی‌شه جهت و مقدار بردار x منفی یا معکوس بشه—حداقل انرژی یا فاصله رو حفظ می‌کنه یا بیشتر می‌کنه.

⭐️ کاربردها
◀️ در یادگیری ماشین، ماتریس کوواریانس همیشه نیمه مثبت معینه (چون واریانس‌ها هیچ‌وقت منفی نمی‌شن)
◀️ در بهینه‌سازی محدب (convex optimization)، خیلی مهم هستن، چون تضمین می‌کنن که مینیمم واقعی داریم
◀️ در SVM و kernel methods برای بررسی فاصله‌ها و شباهت‌ها

🔻 ما رو به رفیق‌هاتون معرفی کنین که هاب اصلی RL، همین‌جاست!

🌐 the-rl-hub.github.io
✈️ @RL_Hub
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥4❤3👍2
102 views
The RL Hub
📚 روش مونت‌کارلو (Monte Carlo Method)

⏳ زمان مطالعه: ۱ دقیقه و نیم

💳 #آمار
💳 #احتمال

📁 ایده کلی
روش مونت‌کارلو یعنی حل مسائل پیچیده (مثل انتگرال‌گیری، احتمال، یا بهینه‌سازی) با استفاده از نمونه‌گیری تصادفی.
به‌جای اینکه جواب دقیق ریاضی رو حساب کنی، تعداد زیادی نمونه تصادفی تولید می‌کنی و با میانگین‌گیری از اون‌ها، تقریب خوبی از جواب واقعی به‌دست میاری.

📁 تشبیه شهودی
فرض کن می‌خوای مساحت یک ناحیه عجیب رو حساب کنی، ولی فرمولش رو نمی‌دونی.
میای روی اون ناحیه یک مربع می‌کشی، تعداد زیادی نقطه تصادفی توی مربع می‌پاشی، بعد می‌شماری چند تاشون داخل ناحیه افتادن.
نسبت نقطه‌هایی که داخل افتادن، به کل نقاط، ضربدر مساحت مربع، می‌شه تخمینی از مساحت اون ناحیه.

⬅️ کاربردها
◀️ محاسبه انتگرال‌های پیچیده
◀️ مدل‌سازی‌های آماری
◀️ شبیه‌سازی رفتار سیستم‌های تصادفی
◀️ گرافیک کامپیوتری
◀️ یادگیری تقویتی و MCMC

🔻 ما رو به رفیق‌هاتون معرفی کنین که هاب اصلی RL، همین‌جاست!

🌐 the-rl-hub.github.io
✈️ @RL_Hub
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥6❤3👍2
122 views
The RL Hub
📚 آپدیت وبسایت RLH

📁 در نسخه‌ی اولیه‌ی ریلیز شده‌ی وب‌سایت، مشکلاتی مانند کندی در بارگذاری محتوا و گاهی عدم بارگذاری مطالب مشاهده شد. در این آپدیت تلاش شده این نواقص برطرف شوند تا تجربه‌ی کاربری روان‌تر و بهینه‌تری فراهم شود.

پی‌نوشت: در صورت عدم کامپایل درست نوتیشن‌های ریاضی در یک صفحه، با ی ‌بار رفرش کردن، مشکل برطرف خواهد شد.


🔻 ما رو به رفیق‌هاتون معرفی کنین که هاب اصلی RL، همین‌جاست!

🌐 the-rl-hub.github.io
✈️ @RL_Hub
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥7❤3👍1
161 views
The RL Hub
📚 Intro to Value-Based methods

📁 فصل ششم (لینک) با موضوع Intro to Value-Based methods هم‌اکنون روی سایت RLHub در دسترس هست. با مراجعه به سایت، می‌تونید از این مطالب استفاده کنید.

📁 توجه داشته باشید این فصل فصل اول از بخش Value-Based methods هست و باقی فصل‌های این بخش در آینده ریلیز می‌شن.

🔻 ما رو به رفیق‌هاتون معرفی کنین که هاب اصلی RL، همین‌جاست!

🌐 the-rl-hub.github.io
✈️ @RL_Hub
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥4❤3👍2
158 views
The RL Hub
📚 استنتاج واریانسی چیه؟ (Variational Inference)

⏳ زمان مطالعه: ۱ دقیقه و نیم

💳 #آمار
💳 #احتمال

📁 ایده کلی
استنتاج واریانسی یک روش تقریبی برای حل مسائل پیچیدهٔ احتمالاتیه؛ مخصوصاً وقتی محاسبهٔ توزیع پسین (posterior) غیرقابل حل یا خیلی گرون باشه.

به‌جای اینکه مستقیم سراغ توزیع پسین بریم (که سخته)، میایم یک توزیع ساده‌تر رو بهش نزدیک می‌کنیم.

📁 چطوری کار می‌کنه؟
ما یک خانواده‌ای از توزیع‌های ساده (مثلاً نرمال) در نظر می‌گیریم. بعدش، دنبال اون عضوی از این خانواده می‌گردیم که بیشترین شباهت رو به توزیع پسین واقعی داشته باشه.

برای سنجش این شباهت، از KL Divergence استفاده می‌کنیم و تلاش می‌کنیم اون رو مینیمم کنیم.

⭐️ کاربردها:

◀️ مدل‌های گرافیکی پیچیده (مثل Latent Dirichlet Allocation)
◀️یادگیری عمیق احتمالاتی (مثل VAE — Autoencoder واریانسی)
◀️ جایگزین سریع‌تر برای MCMC

🔻 ما رو به رفیق‌هاتون معرفی کنین که هاب اصلی RL، همین‌جاست!

🌐 the-rl-hub.github.io
✈️ @RL_Hub
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥5👍3❤2
153 views
The RL Hub
📚 Intro to Value-Based methods

📁 جوپیتر نوتبوک مرتبط به فصل 6 (لینک) با موضوع Intro to Value-Based methods هم‌اکنون روی ریپو RLH-Material در دسترس هست. با مراجعه به این ریپو می‌تونید از این مطالب استفاده کنید.

🔻 ما رو به رفیق‌هاتون معرفی کنین که هاب اصلی RL، همین‌جاست!

🌐 the-rl-hub.github.io
✈️ @RL_Hub
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥5👍4❤2
158 views
The RL Hub
📚 تنسور چیست؟ (Tensor)

⏳ زمان مطالعه: ۱ دقیقه

💳 #جبرخطی

📁 ایده کلی
تنسور یه ساختار ریاضی برای نگه‌داشتن داده‌هاست، چیزی شبیه بردار و ماتریسه، ولی در ابعاد بالاتر.
در واقع، تنسور یه آرایه چند بعدیه که می‌تونه داده‌های عددی رو در چندین محور ذخیره کنه.
پس مثلاً یه تصویر رنگی 256×256 با 3 کانال رنگی یه تنسور 3 بعدیه.

📁 نمایش تنسورها (Tensor Representation)
برای نمایش تنسورها معمولاً از نماد Tijk استفاده می‌کنیم که نشون می‌ده عنصر مربوط به محور اول، دوم و سوم چیه.

در زبان‌های برنامه‌نویسی مثل Python (مثلاً با NumPy یا PyTorch)، تنسورها با tensor[i][j][k] یا tensor[i,j,k] نمایش داده می‌شن.

⭐️ کاربردها
◀️ شبکه‌های عصبی (مثل ورودی تصویر، توزیع زمان‌)
◀️ فیزیک (مثلاً تنسور تنش یا انرژی)
◀️ تحلیل داده‌های چند بعدی
◀️ گرافیک و رندرینگ

🔻 ما رو به رفیق‌هاتون معرفی کنین که هاب اصلی RL، همین‌جاست!

🌐 the-rl-hub.github.io
✈️ @RL_Hub
Please open Telegram to view this post
VIEW IN TELEGRAM
👍5❤3🔥3
122 views
The RL Hub
📚 یادگیری ماشین چیست؟ (Machine Learning)

⏳ زمان مطالعه: ۱ دقیقه

💳 #یادگیری‌ماشین

📁 یک برنامهٔ کامپیوتری زمانی می‌گوییم «یاد می‌گیرد» که با تجربه (E) در انجام یک وظیفه خاص (T)، عملکردش طبق یک معیار مشخص (P) بهبود یابد.
یعنی اگر برنامه‌ای با گذر زمان و دریافت داده‌های بیشتر، در انجام یک کار خاص بهتر شود و این بهبود قابل اندازه‌گیری باشد، آن برنامه در حال یادگیری است.

📁 انواع یادگیری ماشین (فقط اسامی):

1. یادگیری با نظارت (Supervised Learning)
2. یادگیری بدون نظارت (Unsupervised Learning)
3. یادگیری نیمه‌نظارتی (Semi-supervised Learning)
4. یادگیری تقویتی (Reinforcement Learning)
5. یادگیری خودنظارتی (Self-supervised Learning)

🔻 ما رو به رفیق‌هاتون معرفی کنین که هاب اصلی RL، همین‌جاست!

🌐 the-rl-hub.github.io
✈️ @RL_Hub
Please open Telegram to view this post
VIEW IN TELEGRAM
👍5🔥4❤3
160 views
The RL Hub
📚 Probability Theory Essentials for RL

📁 جوپیتر نوتبوک مرتبط به فصل 4 (لینک) با موضوع Probability Theory Essentials for RL هم‌اکنون روی ریپو RLH-Material در دسترس هست. با مراجعه به این ریپو می‌تونید از این مطالب استفاده کنید.

🔻 ما رو به رفیق‌هاتون معرفی کنین که هاب اصلی RL، همین‌جاست!

🌐 the-rl-hub.github.io
✈️ @RL_Hub
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥5👍4❤3
155 views