دوره اصول یادگیری تقویتی چندعامله در سیستم‌های خودکار همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

📚 کتاب آموزشی جامع

📚 اطلاعات کتاب

عنوان کتاب: کتاب اصول یادگیری تقویتی چندعامله در سیستم‌های خودکار

موضوع کلی: یادگیری تقویتی چندعامله (MARL)

موضوع میانی: یادگیری تقویتی چندعامله برای سیستم‌های خودکار

📋 سرفصل‌های کتاب (100 موضوع)

• 1. مقدمه ای بر یادگیری تقویتی چندعامله
• 2. مفهوم عامل
• 3. مفهوم محیط
• 4. مفهوم پاداش
• 5. مفهوم سیاست
• 6. مفهوم تابع ارزش
• 7. مفهوم حالت
• 8. مفهوم عمل
• 9. مفهوم مشاهده
• 10. مفهوم پویایی محیط
• 11. مفهوم عامل هوشمند
• 12. تعریف سیستم خودکار
• 13. انواع سیستم‌های خودکار
• 14. کاربردهای سیستم‌های خودکار
• 15. مقدمه ای بر یادگیری تقویتی
• 16. هدف یادگیری تقویتی
• 17. فرآیند یادگیری در یادگیری تقویتی
• 18. انواع یادگیری تقویتی (مدل‌دار و بدون مدل)
• 19. الگوریتم‌های یادگیری تقویتی (مانند Q-Learning، SARSA)
• 20. محدودیت‌های یادگیری تقویتی تک عامله
• 21. نیاز به رویکردهای چندعامله
• 22. مقدمه ای بر یادگیری تقویتی چندعامله (MARL)
• 23. تفاوت‌های MARL با یادگیری تقویتی تک عامله
• 24. چالش‌های اصلی در MARL
• 25. ناسازگاری محیط (Non-stationarity)
• 26. مشکل عدم قطعیت (Partial Observability)
• 27. مسئله هماهنگی (Coordination)
• 28. مسئله رقابت (Competition)
• 29. مسئله همکاری (Cooperation)
• 30. مدل‌های رایج در MARL
• 31. مدل‌های متمرکز (Centralized)
• 32. مدل‌های غیرمتمرکز (Decentralized)
• 33. مدل‌های ترکیبی (Hybrid)
• 34. معماری‌های عامل در MARL
• 35. معماری‌های متمرکز (Centralized Controller)
• 36. معماری‌های غیرمتمرکز (Independent Learners)
• 37. معماری‌های سلسله مراتبی (Hierarchical Agents)
• 38. معماری‌های مبتنی بر ارتباط (Communication-based Agents)
• 39. الگوریتم‌های یادگیری در MARL
• 40. یادگیری مستقل (Independent Learners)
• 41. یادگیری مبتنی بر تجربه مشترک (Shared Experience Learning)
• 42. یادگیری مبتنی بر مدل مشترک (Shared Model Learning)
• 43. یادگیری مبتنی بر بازی (Game Theoretic Approaches)
• 44. یادگیری مبتنی بر عامل مرکزی (Centralized Training with Decentralized Execution - CTDE)
• 45. الگوریتم‌های CTDE
• 46. MADDPG (Multi-Agent Deep Deterministic Policy Gradient)
• 47. COMA (Counterfactual Multi-Agent Policy Gradients)
• 48. QMIX (Q-value Mixing)
• 49. VDN (Value Decomposition Networks)
• 50. سایر الگوریتم‌های مهم در MARL
• 51. مطالعه موردی: رباتیک چندعامله
• 52. مطالعه موردی: خودروهای خودران
• 53. مطالعه موردی: مدیریت ترافیک
• 54. مطالعه موردی: شبکه‌های حسگر بی‌سیم
• 55. مطالعه موردی: سیستم‌های توزیع انرژی
• 56. مطالعه موردی: بازی‌های ویدئویی چندنفره
• 57. مطالعه موردی: بازارهای مالی خودکار
• 58. مطالعه موردی: شبکه‌های مخابراتی
• 59. مطالعه موردی: سیستم‌های توصیه‌گر چندعامله
• 60. معیارهای ارزیابی در MARL
• 61. کارایی (Performance)
• 62. پایداری (Stability)
• 63. قابلیت تعمیم (Generalization)
• 64. مقیاس‌پذیری (Scalability)
• 65. مقایسه الگوریتم‌های MARL
• 66. مزایا و معایب رویکردهای مختلف
• 67. ملاحظات پیاده‌سازی
• 68. تکنیک‌های پیشرفته در MARL
• 69. یادگیری تقویتی عمیق چندعامله (Deep MARL)
• 70. یادگیری تقویتی با ارتباطات صریح (Explicit Communication)
• 71. یادگیری تقویتی با ارتباطات ضمنی (Implicit Communication)
• 72. یادگیری تقویتی با هماهنگی در سطح عمل (Action-level Coordination)
• 73. یادگیری تقویتی با هماهنگی در سطح هدف (Goal-level Coordination)
• 74. یادگیری تقویتی با یادگیری تقلیدی (Imitation Learning)
• 75. یادگیری تقویتی با یادگیری فعال (Active Learning)
• 76. یادگیری تقویتی با یادگیری از طریق مشاهده (Observational Learning)
• 77. یادگیری تقویتی با یادگیری از طریق تعامل (Interactive Learning)
• 78. یادگیری تقویتی با یادگیری همکارانه (Collaborative Learning)
• 79. یادگیری تقویتی با یادگیری رقابتی (Competitive Learning)
• 80. یادگیری تقویتی با یادگیری ترکیبی (Mixed Learning)
• 81. آینده تحقیقات در MARL
• 82. چالش‌های باز و مسائل حل نشده
• 83. کاربردهای نوظهور در MARL
• 84. اخلاق و ملاحظات اجتماعی در MARL
• 85. نتیجه‌گیری و جمع‌بندی
• 86. منابع و مطالعات بیشتر