دوره پیاده‌سازی عملی یادگیری تقویتی چندعامله با استفاده از ابزارهای مدرن همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

📚 کتاب آموزشی جامع

📚 اطلاعات کتاب

عنوان کتاب: کتاب پیاده‌سازی عملی یادگیری تقویتی چندعامله با استفاده از ابزارهای مدرن

موضوع کلی: یادگیری تقویتی چندعامله (MARL)

موضوع میانی: یادگیری تقویتی چندعامله (MARL)

📋 سرفصل‌های کتاب (100 موضوع)

• 1. مقدمه ای بر یادگیری تقویتی چندعامله (MARL)
• 2. مفاهیم اساسی یادگیری تقویتی
• 3. عامل، محیط، وضعیت، عمل، پاداش
• 4. تابع ارزش، تابع سیاست
• 5. الگوریتم های یادگیری تقویتی تک عامله
• 6. Q-Learning
• 7. SARSA
• 8. Deep Q-Networks (DQN)
• 9. Policy Gradients
• 10. Actor-Critic Methods
• 11. مقدمه ای بر یادگیری تقویتی چندعامله (MARL)
• 12. تفاوت های MARL با یادگیری تقویتی تک عامله
• 13. چالش های MARL
• 14. غیر ایستا بودن محیط
• 15. تغییر سیاست سایر عامل ها
• 16. مشاهده پذیری محدود
• 17. مقیاس پذیری
• 18. همکاری و رقابت بین عامل ها
• 19. انواع سناریوهای MARL
• 20. همکاری کامل
• 21. رقابت کامل
• 22. مختلط (همکاری و رقابت)
• 23. مفاهیم کلیدی در MARL
• 24. تابع ارزش مشترک
• 25. تابع سیاست مشترک
• 26. تابع سیاست جداگانه
• 27. تابع ارزش جداگانه
• 28. مدل های عامل ها (Agent Models)
• 29. مدل های متقابل (Mutual Models)
• 30. مدل های بازی (Game Theoretic Models)
• 31. مدل های مرکزی (Centralized Models)
• 32. مدل های توزیع شده (Decentralized Models)
• 33. مدل های توزیع شده با ارتباطات (Decentralized with Communication)
• 34. مدل های متمرکز-منفعل (Centralized-Training with Decentralized-Execution - CTDE)
• 35. ابزارهای مدرن برای پیاده سازی MARL
• 36. زبان های برنامه نویسی
• 37. Python
• 38. کتابخانه ها و فریم ورک ها
• 39. TensorFlow
• 40. PyTorch
• 41. Ray RLlib
• 42. OpenAI Gym / Gymnasium
• 43. PettingZoo
• 44. Multi-Agent Particle Environment (MPE)
• 45. Unity ML-Agents
• 46. DeepMind Lab
• 47. MetaWorld
• 48. SMAC (StarCraft Multi-Agent Challenge)
• 49. پلتفرم های شبیه سازی
• 50. OpenAI Gym / Gymnasium
• 51. PettingZoo
• 52. Unity ML-Agents
• 53. DeepMind Lab
• 54. MetaWorld
• 55. SMAC
• 56. شبیه سازهای خاص دامنه
• 57. RoboSchool
• 58. MuJoCo
• 59. PyBullet
• 60. تکنیک های پیاده سازی MARL
• 61. آماده سازی محیط MARL
• 62. نصب و پیکربندی ابزارهای لازم
• 63. تعریف محیط های MARL سفارشی
• 64. تنظیم پارامترهای محیط
• 65. تعریف عامل ها
• 66. طراحی معماری شبکه های عصبی برای عامل ها
• 67. شبکه های CNN برای داده های تصویری
• 68. شبکه های RNN/LSTM برای داده های ترتیبی
• 69. شبکه های MLP برای داده های معمولی
• 70. استفاده از معماری های مشترک یا جداگانه
• 71. پیاده سازی الگوریتم های MARL
• 72. پیاده سازی الگوریتم های پایه (QMIX, VDN, MADDPG)
• 73. پیاده سازی الگوریتم های پیشرفته تر
• 74. استفاده از کتابخانه های آماده RLlib، PettingZoo
• 75. تنظیم هایپرپارامترها
• 76. آموزش عامل ها
• 77. مدیریت فرایند آموزش
• 78. نظارت بر پیشرفت آموزش
• 79. ذخیره و بارگذاری مدل های آموزش دیده
• 80. ارزیابی عامل ها
• 81. تعریف معیارهای ارزیابی
• 82. اجرای سناریوهای ارزیابی
• 83. تحلیل نتایج ارزیابی
• 84. مقایسه با Baseline ها
• 85. کاربردها و سناریوهای عملی MARL
• 86. رباتیک
• 87. کنترل ترافیک
• 88. سیستم های توصیه گر
• 89. بازی ها (استراتژیک، تیمی)
• 90. مدیریت منابع
• 91. سیستم های خودمختار
• 92. شبکه های ارتباطی
• 93. بازارهای مالی
• 94. انواع پیاده سازی های پیشرفته
• 95. یادگیری تقویتی چندعامله با ارتباطات (MARL with Communication)
• 96. یادگیری تقویتی چندعامله با مشاهده پذیری محدود (Partially Observable MARL)
• 97. یادگیری تقویتی چندعامله با یادگیری مدل (Model-Based MARL)
• 98. یادگیری تقویتی چندعامله با یادگیری انتقال (Transfer Learning in MARL)
• 99. یادگیری تقویتی چندعامله با یادگیری اتحاد (Cooperative MARL)
• 100. یادگیری تقویتی چندعامله با یادگیری رقابتی (Competitive MARL)