اپلیکیشن اندرویدی فلش‌کارت آموزشی مبانی و کاربردهای عملی یادگیری تقویتی برای توسعه سیستم‌های هوشمند

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مبانی و کاربردهای عملی یادگیری تقویتی برای توسعه سیستم‌های هوشمند

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: یادگیری تقویتی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر هوش مصنوعی و یادگیری ماشین
• 2. مفهوم یادگیری تقویتی
• 3. تفاوت یادگیری تقویتی با سایر رویکردهای یادگیری ماشین
• 4. کاربردها و مزایای یادگیری تقویتی
• 5. عناصر اصلی یک مسئله یادگیری تقویتی
• 6. محیط، عامل، حالت، عمل، پاداش
• 7. مدل‌های پویای سیستم
• 8. مارکوف تصمیم‌گیری (MDP)
• 9. قوانین انتقال حالت
• 10. توابع پاداش
• 11. روش‌های مبتنی بر ارزش
• 12. تابع ارزش حالت (V-function)
• 13. تابع ارزش عمل-حالت (Q-function)
• 14. معادله بلمن
• 15. معادله بلمن برای V-function
• 16. معادله بلمن برای Q-function
• 17. روش‌های مبتنی بر سیاست
• 18. سیاست (Policy)
• 19. سیاست‌های قطعی و احتمالی
• 20. تابع سیاست
• 21. روش‌های تکرار ارزش
• 22. تکرار ارزش حالت-اکشن
• 23. تکرار ارزش حالت
• 24. الگوریتم‌های یادگیری تقویتی بدون مدل
• 25. یادگیری Q (Q-Learning)
• 26. یادگیری SARSA
• 27. تفاوت Q-Learning و SARSA
• 28. یادگیری Q عمیق (Deep Q-Networks - DQN)
• 29. معماری DQN
• 30. تابع هدف در DQN
• 31. بهینه‌سازی DQN
• 32. نکات مهم در پیاده‌سازی DQN
• 33. روش‌های تکرار سیاست
• 34. گرادیان سیاست (Policy Gradient)
• 35. الگوریتم REINFORCE
• 36. معادله گرادیان سیاست
• 37. روش‌های Actor-Critic
• 38. معماری Actor-Critic
• 39. مزایای Actor-Critic
• 40. الگوریتم A2C (Advantage Actor-Critic)
• 41. الگوریتم A3C (Asynchronous Advantage Actor-Critic)
• 42. روش‌های مبتنی بر مدل
• 43. یادگیری تقویتی مدل‌دار
• 44. تولید مدل محیط
• 45. استفاده از مدل برای یادگیری
• 46. الگوریتم‌های Planning
• 47. شبیه‌سازی در یادگیری تقویتی
• 48. مدل‌های پیش‌بینی‌کننده
• 49. معرفی انواع پاداش‌ها
• 50. طراحی تابع پاداش مؤثر
• 51. پاداش‌های پراکنده و چالش‌ها
• 52. نرمال‌سازی پاداش
• 53. تکنیک‌های اکتشاف (Exploration)
• 54. ε-greedy exploration
• 55. تکنیک‌های نمونه‌برداری (Sampling)
• 56. جستجوی تصادفی
• 57. جستجوی مبتنی بر عدم قطعیت
• 58. اکتشاف مبتنی بر پاداش
• 59. اکتشاف مبتنی بر انتروپی
• 60. اکتشاف مبتنی بر کنجکاوی
• 61. تکنیک‌های بهره‌برداری (Exploitation)
• 62. روش‌های پیشرفته در یادگیری تقویتی
• 63. یادگیری تقویتی سلسله مراتبی (Hierarchical RL)
• 64. اهداف فرعی (Subgoals)
• 65. لایه عامل و لایه کارگزار
• 66. یادگیری تقویتی چندعامله (Multi-Agent RL)
• 67. مدل‌های همکاری و رقابت
• 68. چالش‌های یادگیری تقویتی چندعامله
• 69. یادگیری تقویتی با پاداش ضمنی (Intrinsic Reward RL)
• 70. کنجکاوی و یادگیری
• 71. جبران پاداش‌های پراکنده
• 72. یادگیری تقویتی با انتقال (Transfer RL)
• 73. استفاده از دانش آموخته شده
• 74. یادگیری تقویتی با تقلید (Imitation RL)
• 75. یادگیری از نمایش (Learning from Demonstration)
• 76. تکنیک‌های پیش‌پردازش حالت
• 77. کاهش ابعاد حالت
• 78. نرمال‌سازی حالت
• 79. تکنیک‌های پس‌پردازش عمل
• 80. کوانتیزاسیون عمل
• 81. تکنیک‌های تنظیم هایپرپارامترها
• 82. جستجوی شبکه‌ای (Grid Search)
• 83. بهینه‌سازی بیزی (Bayesian Optimization)
• 84. یادگیری تقویتی در رباتیک
• 85. کنترل ربات‌های متحرک
• 86. کنترل بازوهای رباتیک
• 87. یادگیری تقویتی در بازی‌ها
• 88. بازی‌های تخته‌ای
• 89. بازی‌های ویدئویی
• 90. یادگیری تقویتی در سیستم‌های توصیه‌گر
• 91. شخصی‌سازی توصیه‌ها
• 92. یادگیری تقویتی در مدیریت منابع
• 93. بهینه‌سازی مصرف انرژی
• 94. یادگیری تقویتی در امور مالی
• 95. معاملات خودکار
• 96. یادگیری تقویتی در بهینه‌سازی شبکه
• 97. مدیریت ترافیک
• 98. یادگیری تقویتی در پردازش زبان طبیعی
• 99. تولید متن
• 100. یادگیری تقویتی در بینایی ماشین