دوره یادگیری تقویتی چندعامله: راهی به سوی برنامه‌ریزی هوشمند و خودکار همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

📚 کتاب آموزشی جامع

📚 اطلاعات کتاب

عنوان کتاب: کتاب یادگیری تقویتی چندعامله: راهی به سوی برنامه‌ریزی هوشمند و خودکار

موضوع کلی: یادگیری تقویتی چندعامله (MARL)

موضوع میانی: یادگیری تقویتی چندعامله برای بهینه‌سازی فرآیندهای برنامه‌ریزی

📋 سرفصل‌های کتاب (100 موضوع)

• 1. مقدمه ای بر یادگیری تقویتی چندعامله
• 2. مبانی یادگیری تقویتی
• 3. مفهوم عامل
• 4. محیط
• 5. حالت
• 6. پاداش
• 7. تابع ارزش
• 8. تابع سیاست
• 9. پویایی محیط
• 10. مدل محیط
• 11. محیط های پویایی
• 12. محیط های ایستا
• 13. محیط های قطعی
• 14. محیط های تصادفی
• 15. مفهوم یادگیری تقویتی چندعامله (MARL)
• 16. تفاوت MARL با یادگیری تقویتی تک عامله
• 17. چالش های MARL
• 18. هماهنگی بین عامل ها
• 19. رقابت بین عامل ها
• 20. عدم قطعیت محیطی
• 21. پیچیدگی محاسباتی
• 22. عدم ایستایی در توزیع محیط
• 23. انواع مسائل MARL
• 24. همکاری
• 25. رقابت
• 26. ترکیبی
• 27. مفاهیم کلیدی در MARL
• 28. فضای حالت مشترک
• 29. فضای عمل مشترک
• 30. فضای حالت مجزا
• 31. فضای عمل مجزا
• 32. فضای حالت پیوسته
• 33. فضای عمل پیوسته
• 34. مفهوم ناظر
• 35. مفهوم بازی
• 36. بازی های صفر و یک
• 37. بازی های غیر صفر و یک
• 38. بازی های با اطلاعات کامل
• 39. بازی های با اطلاعات ناقص
• 40. معرفی الگوریتم های کلاسیک MARL
• 41. Independent Q-Learning (IQL)
• 42. مزایا و معایب IQL
• 43. چالش های IQL
• 44. تجمیع سیاست ها (Policy Aggregation)
• 45. تجمیع توابع ارزش (Value Function Aggregation)
• 46. الگوریتم های مبتنی بر مدل
• 47. الگوریتم های بدون مدل
• 48. الگوریتم های مبتنی بر بازی
• 49. الگوریتم های مبتنی بر عامل مرکزی
• 50. معرفی الگوریتم های پیشرفته MARL
• 51. Multi-Agent Deep Q-Network (MADQN)
• 52. Multi-Agent Deep Deterministic Policy Gradient (MADDPG)
• 53. Counterfactual Multi-Agent Policy Gradients (COMA)
• 54. QMIX
• 55. VDN (Value Decomposition Networks)
• 56. CommNet
• 57. DIAL (Differentiable Inter-Agent Learning)
• 58. MAPPO (Multi-Agent Proximal Policy Optimization)
• 59. مطالعه موردی: رباتیک و سیستم های خودمختار
• 60. مطالعه موردی: بازی های ویدئویی چندنفره
• 61. مطالعه موردی: مدیریت ترافیک
• 62. مطالعه موردی: سیستم های توصیه گر چندعامله
• 63. مطالعه موردی: شبکه های حسگر بی سیم
• 64. مطالعه موردی: مدیریت منابع در محاسبات ابری
• 65. مطالعه موردی: اقتصاد و بازارهای مالی
• 66. مطالعه موردی: سیستم های خودمختار در فضانوردی
• 67. مطالعه موردی: بهینه سازی زنجیره تامین
• 68. مطالعه موردی: سیستم های پزشکی هوشمند
• 69. معماری های شبکه های عصبی در MARL
• 70. شبکه های کانولوشنال (CNN)
• 71. شبکه های بازگشتی (RNN)
• 72. شبکه های ترنسفورمر (Transformer)
• 73. شبکه های گراف عصبی (GNN)
• 74. یادگیری تقویتی چندعامله با یادگیری عمیق
• 75. کاربرد یادگیری عمیق در استخراج ویژگی ها
• 76. کاربرد یادگیری عمیق در تقریب تابع ارزش و سیاست
• 77. چالش های یادگیری عمیق در MARL
• 78. تفسیرپذیری مدل های MARL
• 79. تکنیک های افزایش تفسیرپذیری
• 80. روش های بصری سازی
• 81. ارزیابی عملکرد الگوریتم های MARL
• 82. معیارهای ارزیابی
• 83. شبیه سازی و محیط های آزمایشی
• 84. مقایسه الگوریتم ها
• 85. جنبه های اخلاقی و ایمنی در MARL
• 86. سوگیری در الگوریتم ها
• 87. رفتارهای ناخواسته
• 88. کنترل و نظارت بر عامل ها
• 89. آینده پژوهی در MARL
• 90. مرزهای تحقیقاتی فعلی
• 91. مسائل باز و چالش های آینده
• 92. کاربردهای نوظهور
• 93. توسعه ابزارها و چارچوب های MARL
• 94. یادگیری تقویتی چندعامله و هوش مصنوعی عمومی (AGI)
• 95. یادگیری تقویتی چندعامله و ربات های انسان نما
• 96. ملاحظات پیاده سازی
• 97. هاردویر مورد نیاز
• 98. نرم افزار و کتابخانه ها
• 99. بهینه سازی محاسباتی
• 100. جمع بندی و نتیجه گیری