دوره طراحی و پیاده‌سازی الگوریتم‌های ترکیبی برای یادگیری تقویتی چندعامله همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

📚 کتاب آموزشی جامع

📚 اطلاعات کتاب

عنوان کتاب: کتاب طراحی و پیاده‌سازی الگوریتم‌های ترکیبی برای یادگیری تقویتی چندعامله

موضوع کلی: یادگیری تقویتی چندعامله (MARL)

موضوع میانی: الگوریتم‌های ترکیبی (Hybrid Algorithms)

📋 سرفصل‌های کتاب (100 موضوع)

• 1. مقدمه ای بر یادگیری تقویتی چندعامله
• 2. مفاهیم پایه یادگیری تقویتی
• 3. عامل ها و محیط
• 4. حالت، عمل، پاداش
• 5. سیاست ها و ارزش ها
• 6. دینامیک عامل
• 7. تعریف مسئله یادگیری تقویتی چندعامله
• 8. تفاوت یادگیری تقویتی تک عامله و چندعامله
• 9. چالش های یادگیری تقویتی چندعامله
• 10. غیر ایستا بودن محیط
• 11. عدم قطعیت
• 12. هماهنگی و رقابت
• 13. مقیاس پذیری
• 14. انواع مسائل یادگیری تقویتی چندعامله
• 15. بازی های جمعی
• 16. بازی های رقابتی
• 17. بازی های مختلط
• 18. مدل های هماهنگی
• 19. مدل های رقابت
• 20. مدل های مختلط
• 21. مقدمه ای بر الگوریتم های ترکیبی
• 22. تعریف الگوریتم های ترکیبی
• 23. انواع الگوریتم های ترکیبی
• 24. الگوریتم های تکاملی
• 25. الگوریتم های بهینه سازی کلونی مورچه
• 26. الگوریتم های بهینه سازی ازدحام ذرات
• 27. الگوریتم های ژنتیک
• 28. شبکه های عصبی
• 29. شبکه های عصبی کانولوشنال
• 30. شبکه های عصبی بازگشتی
• 31. شبکه های عصبی ترانسفورمر
• 32. یادگیری عمیق
• 33. مقدمه ای بر شبکه های عصبی عمیق
• 34. یادگیری عمیق در یادگیری تقویتی
• 35. یادگیری تقویتی عمیق (DRL)
• 36. الگوریتم های DRL برای عامل های منفرد
• 37. Policy Gradients
• 38. Actor-Critic
• 39. الگوریتم های DRL برای یادگیری تقویتی چندعامله
• 40. معرفی الگوریتم های ترکیبی در یادگیری تقویتی چندعامله
• 41. ترکیب الگوریتم های تکاملی با یادگیری تقویتی چندعامله
• 42. استفاده از الگوریتم های ژنتیک برای بهینه سازی سیاست ها
• 43. استفاده از الگوریتم های تکاملی برای یادگیری ساختار عامل ها
• 44. استفاده از الگوریتم های تکاملی برای کاوش در فضای حالت-عمل
• 45. ترکیب الگوریتم های بهینه سازی کلونی مورچه با یادگیری تقویتی چندعامله
• 46. استفاده از کلونی مورچه برای یافتن مسیرهای بهینه
• 47. استفاده از کلونی مورچه برای هماهنگی بین عامل ها
• 48. ترکیب الگوریتم های بهینه سازی ازدحام ذرات با یادگیری تقویتی چندعامله
• 49. استفاده از ازدحام ذرات برای یافتن بهترین پارامترها
• 50. استفاده از ازدحام ذرات برای بهبود همگرایی
• 51. ترکیب شبکه های عصبی با یادگیری تقویتی چندعامله
• 52. استفاده از شبکه های عصبی برای تقریب تابع ارزش
• 53. استفاده از شبکه های عصبی برای تقریب سیاست
• 54. استفاده از شبکه های عصبی برای مدل سازی محیط
• 55. ترکیب شبکه های عصبی عمیق با یادگیری تقویتی چندعامله
• 56. استفاده از DQN برای یادگیری تقویتی چندعامله
• 57. استفاده از Policy Gradients برای یادگیری تقویتی چندعامله
• 58. استفاده از Actor-Critic برای یادگیری تقویتی چندعامله
• 59. الگوریتم های ترکیبی مبتنی بر مدل
• 60. یادگیری مدل محیط
• 61. استفاده از مدل برای برنامه ریزی
• 62. یادگیری تقویتی مبتنی بر مدل با عامل های چندگانه
• 63. الگوریتم های ترکیبی بدون مدل
• 64. الگوریتم های Off-Policy
• 65. الگوریتم های On-Policy
• 66. استفاده از تجربه های گذشته
• 67. مدیریت حافظه در یادگیری تقویتی چندعامله
• 68. تکنیک های بهینه سازی در الگوریتم های ترکیبی
• 69. تکنیک های Regularization
• 70. تکنیک های Ensemble
• 71. تکنیک های Transfer Learning
• 72. کاربرد الگوریتم های ترکیبی در یادگیری تقویتی چندعامله
• 73. رباتیک
• 74. سیستم های توصیه گر
• 75. مدیریت ترافیک
• 76. بازی های کامپیوتری
• 77. بازارهای مالی
• 78. شبکه های حسگر بی سیم
• 79. مطالعات موردی
• 80. پیاده سازی الگوریتم های ترکیبی
• 81. انتخاب محیط مناسب
• 82. تنظیم پارامترهای الگوریتم
• 83. ارزیابی عملکرد الگوریتم
• 84. مقایسه با الگوریتم های پایه
• 85. چالش های پیاده سازی
• 86. مقیاس پذیری پیاده سازی
• 87. زمان محاسباتی
• 88. تست و اشکال زدایی
• 89. مباحث پیشرفته
• 90. یادگیری تقویتی چندعامله با ارتباطات
• 91. یادگیری تقویتی چندعامله با همکاری
• 92. یادگیری تقویتی چندعامله با رقابت
• 93. یادگیری تقویتی چندعامله با عدم قطعیت
• 94. یادگیری تقویتی چندعامله با عامل های ناهماهنگ
• 95. یادگیری تقویتی چندعامله با عامل های ناظر
• 96. یادگیری تقویتی چندعامله با عامل های غیر قابل مشاهده
• 97. یادگیری تقویتی چندعامله با یادگیری فدرال
• 98. یادگیری تقویتی چندعامله با یادگیری انتقالی
• 99. یادگیری تقویتی چندعامله با یادگیری تقویتی توزیع شده
• 100. چشم انداز آینده