دوره یادگیری تقویتی عمیق چندعامله در رباتیک دریایی: رویکردی نوین برای وظایف پیچیده زیردریایی همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

📚 کتاب آموزشی جامع

📚 اطلاعات کتاب

عنوان کتاب: کتاب یادگیری تقویتی عمیق چندعامله در رباتیک دریایی: رویکردی نوین برای وظایف پیچیده زیردریایی

موضوع کلی: یادگیری تقویتی چندعامله (MARL)

موضوع میانی: یادگیری تقویتی چندعامله برای کنترل ربات‌های صنعتی برای انجام وظایف بازرسی و تعمیر کابل‌های زیردریایی

📋 سرفصل‌های کتاب (100 موضوع)

• 1. مقدمه به رباتیک دریایی
• 2. مقدمه به رباتیک زیردریایی
• 3. کاربردهای رباتیک دریایی
• 4. چالش‌های رباتیک دریایی
• 5. مقدمه به یادگیری ماشین
• 6. مقدمه به یادگیری عمیق
• 7. شبکه‌های عصبی کانولوشنال (CNN)
• 8. شبکه‌های عصبی بازگشتی (RNN)
• 9. شبکه‌های عصبی ترنسفورمر
• 10. مقدمه به یادگیری تقویتی (RL)
• 11. مفاهیم اساسی RL: عامل، محیط، وضعیت، عمل، پاداش
• 12. فرآیندهای تصمیم‌گیری مارکوف (MDP)
• 13. الگوریتم‌های RL مبتنی بر مقدار: Q-learning
• 14. الگوریتم‌های RL مبتنی بر سیاست: Policy Gradients
• 15. مقدمه به یادگیری تقویتی عمیق (DRL)
• 16. ترکیب یادگیری عمیق و یادگیری تقویتی
• 17. شبکه‌های عصبی عمیق برای تقریب تابع ارزش
• 18. شبکه‌های عصبی عمیق برای تقریب سیاست
• 19. الگوریتم‌های DRL پیشرفته: DQN
• 20. الگوریتم‌های DRL پیشرفته: A2C/A3C
• 21. الگوریتم‌های DRL پیشرفته: PPO
• 22. الگوریتم‌های DRL پیشرفته: SAC
• 23. مقدمه به یادگیری تقویتی چندعامله (MARL)
• 24. چالش‌های MARL: همبستگی، عدم قطعیت، مقیاس‌پذیری
• 25. انواع رویکردهای MARL
• 26. MARL مبتنی بر عامل مرکزی
• 27. MARL مبتنی بر عامل غیرمرکزی
• 28. MARL ترکیبی
• 29. یادگیری همکارانه در MARL
• 30. یادگیری رقابتی در MARL
• 31. یادگیری ترکیبی (Cooperative-Competitive) در MARL
• 32. مدل‌سازی محیط در MARL
• 33. مدل‌سازی عامل در MARL
• 34. ارتباط بین عامل‌ها در MARL
• 35. هماهنگی بین عامل‌ها در MARL
• 36. مذاکره بین عامل‌ها در MARL
• 37. فراگیری دانش بین عامل‌ها در MARL
• 38. تقویت یادگیری در محیط‌های شبیه‌سازی شده دریایی
• 39. شبیه‌سازهای رباتیک دریایی: Gazebo، Webots، MuJoCo
• 40. مدل‌سازی دینامیک ربات‌های زیردریایی
• 41. مدل‌سازی سنسورهای ربات‌های زیردریایی
• 42. مدل‌سازی محیط دریایی: جریان، امواج، رسوبات
• 43. ایجاد وظایف پیچیده زیردریایی
• 44. وظایف ناوبری و مسیردهی زیردریایی
• 45. وظایف اکتشاف و نقشه‌برداری زیردریایی
• 46. وظایف بازرسی و نگهداری زیردریایی
• 47. وظایف نمونه‌برداری از محیط دریایی
• 48. وظایف جستجو و نجات زیردریایی
• 49. وظایف همکاری بین ربات‌های زیردریایی
• 50. وظایف همکاری ربات-انسان در محیط دریایی
• 51. طراحی پاداش برای وظایف پیچیده زیردریایی
• 52. طراحی پاداش برای یادگیری همکارانه
• 53. طراحی پاداش برای یادگیری رقابتی
• 54. طراحی پاداش برای وظایف چندهدفه
• 55. تکنیک‌های اکتشاف در DRL برای رباتیک دریایی
• 56. استراتژی‌های انطباقی در MARL
• 57. یادگیری سیاست‌های مقاوم در برابر خطا
• 58. یادگیری سیاست‌های قابل تفسیر
• 59. پیاده‌سازی DRL بر روی سخت‌افزار رباتیک دریایی
• 60. چالش‌های انتقال از شبیه‌سازی به واقعیت (Sim-to-Real)
• 61. تکنیک‌های کاهش شکاف Sim-to-Real
• 62. اعتبارسنجی و تست الگوریتم‌های DRL در محیط واقعی
• 63. مدیریت منابع محاسباتی در رباتیک دریایی
• 64. پردازش داده‌های سنسور در زمان واقعی
• 65. ارتباطات در رباتیک زیردریایی
• 66. امنیت در رباتیک دریایی
• 67. اخلاق در رباتیک دریایی
• 68. آینده DRL در رباتیک دریایی
• 69. کاربردهای نوظهور DRL در رباتیک دریایی
• 70. چالش‌های تحقیقاتی آینده
• 71. روش‌های ارزیابی عملکرد در MARL
• 72. مقایسه الگوریتم‌های مختلف MARL
• 73. مطالعات موردی از کاربردهای موفق DRL در رباتیک دریایی
• 74. مطالعات موردی از کاربردهای موفق MARL در رباتیک دریایی
• 75. اصول مهندسی نرم‌افزار برای سیستم‌های رباتیک دریایی
• 76. مبانی رباتیک خودمختار
• 77. مفاهیم هوش مصنوعی در رباتیک
• 78. مقدمه به یادگیری آماری
• 79. مبانی بهینه‌سازی
• 80. نظریه کنترل
• 81. مبانی پردازش سیگنال
• 82. مبانی بینایی ماشین
• 83. مبانی رباتیک پروازی (برای مقایسه)
• 84. مبانی رباتیک زمینی (برای مقایسه)
• 85. اصول ناوبری اینرسی (IMU)
• 86. اصول سیستم موقعیت‌یابی جهانی (GPS)
• 87. اصول سونار و لیدار
• 88. اصول سیستم‌های خودمختار
• 89. مقدمه به شبکه‌های عصبی گراف (GNN) در MARL
• 90. مقدمه به یادگیری از طریق تقلید (Imitation Learning) در رباتیک دریایی
• 91. مقدمه به یادگیری تقویتی مبتنی بر مدل
• 92. مقدمه به یادگیری تقویتی بدون مدل
• 93. مقدمه به یادگیری تقویتی توزیع شده
• 94. مقدمه به یادگیری تقویتی از طریق عامل‌های با قابلیت تطبیق
• 95. مقدمه به یادگیری تقویتی با پاداش‌های ضمنی
• 96. مقدمه به یادگیری تقویتی با اهداف قابل یادگیری
• 97. اصول مدل‌سازی عدم قطعیت در MARL
• 98. اصول یادگیری چندوظیفه‌ای در رباتیک دریایی
• 99. اصول یادگیری انتقالی در رباتیک دریایی
• 100. اصول یادگیری مداوم (Continual Learning) در رباتیک دریایی