دوره مقدمه‌ای بر محاسبات در پردازش داده‌های بازی در یادگیری عمیق همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

📚 کتاب آموزشی جامع

📚 اطلاعات کتاب

عنوان کتاب: کتاب مقدمه‌ای بر محاسبات در پردازش داده‌های بازی در یادگیری عمیق

موضوع کلی: برنامه نویسی

موضوع میانی: محاسبات سطح بالا (High-Performance Computing)

📋 سرفصل‌های کتاب (100 موضوع)

• 1. مقدمه‌ای بر یادگیری عمیق
• 2. مقدمه‌ای بر پردازش داده‌های بازی
• 3. کاربرد یادگیری عمیق در پردازش داده‌های بازی
• 4. چالش‌های پردازش داده‌های بازی
• 5. تاریخچه یادگیری عمیق در بازی
• 6. تاریخچه پردازش داده‌های بازی
• 7. معماری‌های پایه شبکه‌های عصبی
• 8. شبکه‌های عصبی کانولوشنال (CNN)
• 9. شبکه‌های عصبی بازگشتی (RNN)
• 10. شبکه‌های عصبی ترنسفورمر
• 11. یادگیری تقویتی (RL)
• 12. مبانی یادگیری تقویتی
• 13. عامل و محیط در یادگیری تقویتی
• 14. تابع پاداش
• 15. سیاست (Policy)
• 16. تابع ارزش (Value Function)
• 17. یادگیری آفلاین در مقابل آنلاین
• 18. روش‌های یادگیری تقویتی مبتنی بر مدل
• 19. روش‌های یادگیری تقویتی بدون مدل
• 20. الگوریتم‌های Q-Learning
• 21. Deep Q-Networks (DQN)
• 22. Double DQN
• 23. Dueling DQN
• 24. Prioritized Experience Replay
• 25. Noisy DQN
• 26. Rainbow DQN
• 27. الگوریتم‌های Policy Gradient
• 28. REINFORCE
• 29. Actor-Critic Methods
• 30. Asynchronous Advantage Actor-Critic (A3C)
• 31. Proximal Policy Optimization (PPO)
• 32. Trust Region Policy Optimization (TRPO)
• 33. Deep Deterministic Policy Gradient (DDPG)
• 34. Twin Delayed Deep Deterministic Policy Gradient (TD3)
• 35. Soft Actor-Critic (SAC)
• 36. یادگیری چند عاملی (Multi-Agent RL)
• 37. مفاهیم یادگیری چند عاملی
• 38. چالش‌های یادگیری چند عاملی
• 39. مدل‌های همکاری در یادگیری چند عاملی
• 40. مدل‌های رقابتی در یادگیری چند عاملی
• 41. مدل‌های مختلط در یادگیری چند عاملی
• 42. COMA (Counterfactual Multi-Agent Policy Gradients)
• 43. MADDPG (Multi-Agent Deep Deterministic Policy Gradient)
• 44. QMIX
• 45. VDN (Value Decomposition Networks)
• 46. اتصال شبکه‌های عصبی به یادگیری تقویتی
• 47. نقش CNN در یادگیری تقویتی از تصاویر بازی
• 48. نقش RNN در پردازش داده‌های توالی در بازی
• 49. نقش ترنسفورمر در پردازش داده‌های پیچیده بازی
• 50. پردازش ورودی‌های بازی
• 51. شناسایی اشیاء در بازی
• 52. ردیابی اشیاء در بازی
• 53. تحلیل حرکات بازیکنان
• 54. تحلیل تعاملات در بازی
• 55. پیش‌بینی اقدامات بازیکنان
• 56. تولید محتوای بازی
• 57. طراحی سطوح بازی
• 58. تولید شخصیت‌های بازی
• 59. تولید سناریوهای بازی
• 60. بهینه‌سازی رفتار NPCها
• 61. سیستم‌های توصیه‌گر در بازی
• 62. شخصی‌سازی تجربه بازیکن
• 63. تشخیص تقلب در بازی
• 64. تحلیل رفتار بازیکنان برای تشخیص تقلب
• 65. سیستم‌های ضد تقلب مبتنی بر یادگیری عمیق
• 66. پردازش زبان طبیعی (NLP) در بازی
• 67. درک زبان طبیعی در بازی
• 68. تولید زبان طبیعی در بازی
• 69. مکالمات با NPCها
• 70. سیستم‌های دیالوگ پویا
• 71. تحلیل احساسات بازیکنان
• 72. جمع‌آوری داده‌های بازی
• 73. برچسب‌گذاری داده‌های بازی
• 74. روش‌های داده‌افزایی (Data Augmentation)
• 75. تکنیک‌های کاهش بعد
• 76. فشرده‌سازی داده‌های بازی
• 77. مدل‌های مولد (Generative Models)
• 78. شبکه‌های مولد تخاصمی (GANs)
• 79. Autoencoders
• 80. Variational Autoencoders (VAEs)
• 81. کاربرد GANs در تولید داده‌های بازی
• 82. کاربرد VAEs در تولید داده‌های بازی
• 83. ارزیابی مدل‌های یادگیری عمیق در بازی
• 84. معیارهای ارزیابی عملکرد
• 85. معیارهای ارزیابی قابلیت تعمیم
• 86. معیارهای ارزیابی پایداری
• 87. معیارهای ارزیابی کارایی محاسباتی
• 88. ملاحظات اخلاقی و حریم خصوصی
• 89. سوگیری در داده‌های بازی
• 90. تفسیرپذیری مدل‌های یادگیری عمیق
• 91. مسئولیت‌پذیری در توسعه سیستم‌های بازی
• 92. آینده یادگیری عمیق در پردازش داده‌های بازی
• 93. روندهای نوظهور
• 94. چالش‌های آینده
• 95. فرصت‌های پژوهشی
• 96. کاربرد در بازی‌های واقعیت مجازی (VR) و واقعیت افزوده (AR)
• 97. کاربرد در بازی‌های موبایل
• 98. کاربرد در بازی‌های آنلاین چندنفره
• 99. مطالعات موردی (Case Studies)
• 100. مثال‌های موفق از کاربرد یادگیری عمیق در بازی‌های مشهور