اپلیکیشن اندرویدی فلش‌کارت آموزشی کنترل پیش‌بین مبتنی بر یادگیری برای سیستم‌های ایمن

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره کنترل پیش‌بین مبتنی بر یادگیری برای سیستم‌های ایمن

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: یادگیری تقویتی و کنترل تطبیقی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر کنترل پیش‌بین مبتنی بر یادگیری
• 2. مبانی یادگیری تقویتی
• 3. مفهوم عامل و محیط در یادگیری تقویتی
• 4. تابع پاداش و سیاست در یادگیری تقویتی
• 5. روش‌های مبتنی بر مقدار (Value-Based Methods)
• 6. یادگیری Q (Q-Learning)
• 7. یادگیری Q عمیق (Deep Q-Learning)
• 8. روش‌های مبتنی بر سیاست (Policy-Based Methods)
• 9. گرادیان سیاست (Policy Gradient)
• 10. الگوریتم Actor-Critic
• 11. مقدمه‌ای بر کنترل تطبیقی
• 12. نیاز به کنترل تطبیقی در سیستم‌های ناشناخته
• 13. انواع کنترل تطبیقی
• 14. کنترل تطبیقی با مدل (Model-Based Adaptive Control)
• 15. کنترل تطبیقی بدون مدل (Model-Free Adaptive Control)
• 16. مبانی کنترل پیش‌بین (Model Predictive Control - MPC)
• 17. مدل سیستم در MPC
• 18. تابع هزینه در MPC
• 19. قیدها در MPC
• 20. حل مسئله بهینه‌سازی در MPC
• 21. چالش‌های MPC در سیستم‌های پویا
• 22. معرفی کنترل پیش‌بین مبتنی بر یادگیری (LB-MPC)
• 23. ترکیب MPC با یادگیری ماشین
• 24. مزایای LB-MPC
• 25. چالش‌های LB-MPC
• 26. یادگیری مدل سیستم برای MPC
• 27. روش‌های یادگیری مدل از داده
• 28. یادگیری مدل با شبکه‌های عصبی
• 29. یادگیری مدل با درخت‌های تصمیم
• 30. یادگیری مدل با روش‌های آماری
• 31. یادگیری مدل برای سیستم‌های خطی
• 32. یادگیری مدل برای سیستم‌های غیرخطی
• 33. یادگیری مدل برای سیستم‌های با حالت پنهان
• 34. یادگیری مدل با استفاده از یادگیری تقویتی
• 35. یادگیری مدل با استفاده از یادگیری عمیق
• 36. یادگیری مدل با در نظر گرفتن عدم قطعیت
• 37. یادگیری مدل در حضور نویز
• 38. یادگیری مدل برای پیش‌بینی رفتار آینده
• 39. بهبود مدل در طول زمان
• 40. یادگیری سیاست کنترلی با استفاده از MPC
• 41. ترکیب یادگیری تقویتی با MPC
• 42. یادگیری سیاست در فضای حالت-عمل
• 43. یادگیری سیاست در فضای عمل
• 44. یادگیری سیاست با استفاده از شبکه‌های عصبی عمیق
• 45. یادگیری سیاست برای بهینه‌سازی تابع هزینه MPC
• 46. یادگیری سیاست برای مدیریت قیدها در MPC
• 47. یادگیری سیاست تطبیقی
• 48. یادگیری سیاست تطبیقی با مدل
• 49. یادگیری سیاست تطبیقی بدون مدل
• 50. یادگیری سیاست تطبیقی با استفاده از یادگیری تقویتی
• 51. یادگیری سیاست تطبیقی با استفاده از MPC
• 52. ایمنی در کنترل پیش‌بین مبتنی بر یادگیری
• 53. مفهوم ایمنی در سیستم‌های کنترلی
• 54. چالش‌های ایمنی در LB-MPC
• 55. روش‌های تضمین ایمنی در LB-MPC
• 56. قیدهای ایمنی در MPC
• 57. قیدهای ایمنی مبتنی بر یادگیری
• 58. استفاده از روش‌های رسمی برای تضمین ایمنی
• 59. تحلیل پایداری در LB-MPC
• 60. تحلیل پایداری در حضور عدم قطعیت مدل
• 61. تحلیل پایداری با استفاده از توابع لیاپانوف
• 62. تحلیل پایداری در سیستم‌های غیرخطی
• 63. تحلیل پایداری در سیستم‌های تصادفی
• 64. ایمنی در یادگیری تقویتی
• 65. ایمنی در یادگیری تقویتی با قید
• 66. ایمنی در یادگیری تقویتی با استفاده از مدل
• 67. ایمنی در یادگیری تقویتی برای سیستم‌های پیچیده
• 68. روش‌های یادگیری تقویتی ایمن (Safe RL)
• 69. تقویت یادگیری با پاداش‌های ایمنی
• 70. یادگیری تقویتی با محدودیت‌های ایمنی
• 71. یادگیری تقویتی با استفاده از مدل ایمن
• 72. یادگیری تقویتی با استفاده از شبیه‌سازهای ایمن
• 73. کاربرد LB-MPC در رباتیک
• 74. کنترل ربات‌های متحرک با LB-MPC
• 75. کنترل ربات‌های صنعتی با LB-MPC
• 76. کنترل ربات‌های انسان‌نما با LB-MPC
• 77. کاربرد LB-MPC در سیستم‌های خودران
• 78. کنترل وسایل نقلیه خودران با LB-MPC
• 79. کنترل پهپادها با LB-MPC
• 80. کنترل سیستم‌های لجستیک با LB-MPC
• 81. کاربرد LB-MPC در شبکه‌های هوشمند
• 82. کنترل منابع انرژی با LB-MPC
• 83. بهینه‌سازی مصرف انرژی با LB-MPC
• 84. مدیریت تقاضا با LB-MPC
• 85. کاربرد LB-MPC در سیستم‌های صنعتی
• 86. کنترل فرآیندهای شیمیایی با LB-MPC
• 87. کنترل خطوط تولید با LB-MPC
• 88. بهینه‌سازی عملکرد سیستم‌های صنعتی با LB-MPC
• 89. مطالعات موردی در LB-MPC
• 90. مثال‌های کاربردی از LB-MPC
• 91. پیاده‌سازی LB-MPC در سیستم‌های واقعی
• 92. چالش‌های پیاده‌سازی LB-MPC
• 93. مسائل باز و تحقیقات آینده در LB-MPC
• 94. روش‌های پیشرفته در یادگیری مدل
• 95. روش‌های پیشرفته در یادگیری سیاست
• 96. روش‌های پیشرفته در تضمین ایمنی
• 97. ترکیب LB-MPC با سایر تکنیک‌های کنترلی
• 98. یادگیری عمیق برای کنترل پیش‌بین
• 99. شبکه‌های عصبی گراف برای مدل‌سازی
• 100. یادگیری تقویتی توزیع‌شده برای LB-MPC