سلام به همه‌ی کدنویس‌های باحال! اگه می‌خواید پروژه‌های خفن و نوآورانه رو از دست ندید، حتماً ما رو در گیت‌هاب دنبال کنید:

FreyjaFa: https://github.com/FreyjaFa
Reyrove: https://github.com/reyrove
Pesafari: https://github.com/pesafari

با ما همراه باشید تا با هم مرزهای دانش رو جابه‌جا کنیم!

اگر فرترن رو تکمیل کردید، در لمپس میتونید بسیار عالی عمل کنید. اما فرترن پیشنیاز لمپس نیست.

💥 برای داشتن جزوه فرترن 🔥 اینجا رو چک کن:

https://github.com/reyrove/fortran/blob/master/Fortran%20notes.pdf

الان آماده‌ای برای تسلط بر فرترن! 🚀📚

با 34QR.com آشنا شوید، بهترین ژنراتور رایگان کد QR شما! 🚀

چه متن، لینک، تصویر، ویدئو یا حتی PDF باشد، 34QR.com با بیش از ۲۰ نوع کد QR مختلف، نیازهای شما را پوشش می‌دهد. کدهای خود را با رنگ‌ها، آیکون‌ها و قاب‌های منحصربه‌فرد سفارشی کنید تا آن‌ها را واقعاً به خودتان اختصاص دهید. 🎨

تمامی ساخته‌های خود را در یک مکان مدیریت کنید، آمار اسکن‌ها را پیگیری کنید و در فرمت‌های مختلف مانند SVG و PNG دانلود کنید. به‌علاوه، با هزاران قالب، طراحی کدهای QR برجسته هرگز آسان‌تر نبوده است. 🖼

آماده‌اید محتوای خود را ارتقا دهید؟ به دنیای 34QR.com وارد شوید و امروز شروع به ساخت کنید! 🌐

Preximal Policy Optimization (PPO)
یک الگوریتم یادگیری تقویتی است که به عنوان یکی از روش‌های پیشرفته در این حوزه شناخته می‌شود. این الگوریتم به طور خاص برای بهبود پایداری و کارایی یادگیری در مقایسه با روش‌های قبلی مانند TRPO (Trust Region Policy Optimization) طراحی شده است.

ویژگی‌های کلیدی PPO:

1. ساده‌سازی: PPO نسبت به TRPO ساده‌تر است و نیاز به محاسبات پیچیده‌ای ندارد. این امر باعث می‌شود که پیاده‌سازی آن آسان‌تر باشد.

2. محدودیت تغییرات سیاست: PPO از یک تکنیک به نام "clip" استفاده می‌کند که تغییرات سیاست را محدود می‌کند. این کار باعث می‌شود که الگوریتم از تغییرات بزرگ در سیاست جلوگیری کند و یادگیری پایدارتر شود.

3. استفاده از داده‌های قدیمی: PPO می‌تواند از داده‌های جمع‌آوری شده قبلی استفاده کند، که این امر باعث افزایش بهره‌وری نمونه‌ها می‌شود.

4. بهینه‌سازی همزمان: PPO معمولاً با استفاده از چندین اپیزود جمع‌آوری شده، همزمان چندین بار سیاست را به‌روزرسانی می‌کند، که منجر به یادگیری سریع‌تر و کارآمدتر می‌شود.

نحوه عملکرد:

1. جمع‌آوری داده‌ها: ابتدا، یک سیاست اولیه برای تعامل با محیط انتخاب می‌شود و داده‌هایی جمع‌آوری می‌شوند.

2. محاسبه مزیت‌ها: مزیت‌ها (advantages) برای ارزیابی اینکه یک عمل خاص چقدر بهتر یا بدتر از میانگین عمل‌ها بوده‌اند، محاسبه می‌شوند.

3. به‌روزرسانی سیاست: با استفاده از داده‌های جمع‌آوری شده و مزیت‌ها، سیاست جدید با استفاده از تابع هزینه‌ای که شامل محدودیت clip است، به‌روزرسانی می‌شود.

4. تکرار فرآیند: این مراحل تکرار می‌شوند تا زمانی که عملکرد مطلوب حاصل شود یا معیارهای توقف دیگر برآورده شوند.

(PPO)
یکی از محبوب‌ترین الگوریتم‌ها در یادگیری تقویتی مدرن است و در بسیاری از کاربردها مانند بازی‌های ویدیویی، رباتیک و سیستم‌های خودران مورد استفاده قرار گرفته است.

کتاب آموزش متلب
دکتر مس فروش
https://xn--r1a.website/LATEX_Mesforush

پورتفولیوی رسمی ریحانه دانش دوست موسس و مدرس فریا:
📎https://reyrove.github.io/

ریاضیات نه آسونه🤦🏻‍♂️ و نه شیرینه 🍰🍭
بلکه اون شکلات تلخیه 🍫 که بعد از قهوه ☕️ صبحت 🌻 بهت لبخند میده😊

YouTube channel :
youtube.com/@B_Logic

Instagram :
instagram.com/B_Logic_