دوره دنیای یادگیری تقویتی: معرفی جامع برای مبتدیان و علاقه‌مندان همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره دنیای یادگیری تقویتی: معرفی جامع برای مبتدیان و علاقه‌مندان

موضوع کلی: علوم داده و یادگیری ماشین

موضوع میانی: یادگیری تقویتی (Reinforcement Learning)**

📋 سرفصل‌های دوره

• 1. مقدمه: دنیای شگفت‌انگیز یادگیری تقویتی
• 2. فصل ۱: یادگیری تقویتی چیست؟
• 3. فصل ۲: چرا یادگیری تقویتی مهم است؟
• 4. فصل ۳: اجزای کلیدی یک سیستم یادگیری تقویتی
• 5. فصل ۴: عامل (Agent) و محیط (Environment)
• 6. فصل ۵: حالت (State)، عمل (Action) و پاداش (Reward)
• 7. فصل ۶: سیاست (Policy) و تابع ارزش (Value Function)
• 8. فصل ۷: مدل محیط (Model-Based vs. Model-Free)
• 9. فصل ۸: یادگیری مبتنی بر ارزش (Value-Based Learning)
• 10. فصل ۹: یادگیری مبتنی بر سیاست (Policy-Based Learning)
• 11. فصل ۱۰: یادگیری ترکیبی (Actor-Critic Methods)
• 12. فصل ۱۱: نمونه‌های اولیه و مفاهیم پایه
• 13. فصل ۱۲: مسئله ماشین‌نویس (Multi-Armed Bandit Problem)
• 14. فصل ۱۳: الگوریتم‌های حریصانه (Greedy Algorithms)
• 15. فصل ۱۴: الگوریتم‌های اپسیلون-حریصانه (Epsilon-Greedy)
• 16. فصل ۱۵: الگوریتم UCB (Upper Confidence Bound)
• 17. فصل ۱۶: یادگیری تقویتی با جدول ارزش (Tabular RL)
• 18. فصل ۱۷: الگوریتم Q-Learning
• 19. فصل ۱۸: الگوریتم SARSA
• 20. فصل ۱۹: مقایسه Q-Learning و SARSA
• 21. فصل ۲۰: جدول‌بندی سیاست‌ها (Tabular Policy Iteration)
• 22. فصل ۲۱: جدول‌بندی ارزش‌ها (Tabular Value Iteration)
• 23. فصل ۲۲: مسئله تصمیم‌گیری مارکوف (Markov Decision Process - MDP)
• 24. فصل ۲۳: تعریف formally MDP
• 25. فصل ۲۴: عناصر MDP: حالت‌ها، اعمال، احتمالات انتقال
• 26. فصل ۲۵: عناصر MDP: تابع پاداش و عامل تخفیف
• 27. فصل ۲۶: معادله بلمن (Bellman Equation)
• 28. فصل ۲۷: معادله بلمن برای تابع ارزش حالت
• 29. فصل ۲۸: معادله بلمن برای تابع ارزش عمل-حالت
• 30. فصل ۲۹: حل MDP: روش‌های تکرار
• 31. فصل ۳۰: روش‌های تکرار سیاست
• 32. فصل ۳۱: روش‌های تکرار ارزش
• 33. فصل ۳۲: یادگیری تقویتی با توابع تقریب (Function Approximation)
• 34. فصل ۳۳: چرا نیاز به تقریب تابع داریم؟
• 35. فصل ۳۴: تقریب خطی (Linear Function Approximation)
• 36. فصل ۳۵: شبکه‌های عصبی در یادگیری تقویتی
• 37. فصل ۳۶: شبکه‌های عصبی عمیق (Deep Neural Networks)
• 38. فصل ۳۷: یادگیری تقویتی عمیق (Deep Reinforcement Learning - DRL)
• 39. فصل ۳۸: الگوریتم‌های DRL پایه
• 40. فصل ۳۹: DQN (Deep Q-Network)
• 41. فصل ۴۰: اجزای کلیدی DQN
• 42. فصل ۴۱: تجربه بازپخش (Experience Replay)
• 43. فصل ۴۲: هدف شبکه (Target Network)
• 44. فصل ۴۳: نسخه بهبود یافته DQN: Double DQN
• 45. فصل ۴۴: نسخه بهبود یافته DQN: Dueling DQN
• 46. فصل ۴۵: الگوریتم‌های Policy Gradient
• 47. فصل ۴۶: تفاوت با روش‌های مبتنی بر ارزش
• 48. فصل ۴۷: گرادیان سیاست (Policy Gradient Theorem)
• 49. فصل ۴۸: الگوریتم REINFORCE
• 50. فصل ۴۹: مشکلات گرادیان سیاست
• 51. فصل ۵۰: مزایای گرادیان سیاست
• 52. فصل ۵۱: الگوریتم‌های Actor-Critic
• 53. فصل ۵۲: ترکیب Actor و Critic
• 54. فصل ۵۳: A2C (Advantage Actor-Critic)
• 55. فصل ۵۴: A3C (Asynchronous Advantage Actor-Critic)
• 56. فصل ۵۵: الگوریتم‌های مبتنی بر ترانسفورمر (Transformer-based RL)
• 57. فصل ۵۶: کاربرد ترانسفورمر در RL
• 58. فصل ۵۷: الگوریتم‌های بدون مدل (Model-Free RL)
• 59. فصل ۵۸: الگوریتم‌های Off-Policy و On-Policy
• 60. فصل ۵۹: الگوریتم‌های Off-Policy: Q-Learning, DQN
• 61. فصل ۶۰: الگوریتم‌های On-Policy: SARSA, REINFORCE
• 62. فصل ۶۱: الگوریتم‌های مبتنی بر مدل (Model-Based RL)
• 63. فصل ۶۲: یادگیری مدل محیط
• 64. فصل ۶۳: استفاده از مدل برای برنامه‌ریزی
• 65. فصل ۶۴: الگوریتم Dyna-Q
• 66. فصل ۶۵: مزایا و معایب RL مبتنی بر مدل
• 67. فصل ۶۶: یادگیری تقویتی در رباتیک
• 68. فصل ۶۷: کنترل ربات‌ها
• 69. فصل ۶۸: مسیریابی ربات‌ها
• 70. فصل ۶۹: ناوبری ربات‌ها
• 71. فصل ۷۰: یادگیری تقویتی در بازی‌ها
• 72. فصل ۷۱: AlphaGo و AlphaZero
• 73. فصل ۷۲: بازی‌های کامپیوتری
• 74. فصل ۷۳: استراتژی‌های پیچیده
• 75. فصل ۷۴: یادگیری تقویتی در امور مالی
• 76. فصل ۷۵: معاملات الگوریتمی
• 77. فصل ۷۶: مدیریت سبد سهام
• 78. فصل ۷۷: پیش‌بینی بازار
• 79. فصل ۷۸: یادگیری تقویتی در سلامت
• 80. فصل ۷۹: کشف دارو
• 81. فصل ۸۰: درمان شخصی‌سازی شده
• 82. فصل ۸۱: سیستم‌های توصیه‌گر
• 83. فصل ۸۲: چالش‌ها در یادگیری تقویتی
• 84. فصل ۸۳: کمبود داده
• 85. فصل ۸۴: حفره پاداش (Reward Sparsity)
• 86. فصل ۸۵: کاوش و بهره‌برداری (Exploration vs. Exploitation)
• 87. فصل ۸۶: پایداری و همگرایی
• 88. فصل ۸۷: خطاهای نسبی (Relative Errors)
• 89. فصل ۸۸: تعمیم (Generalization)
• 90. فصل ۸۹: مسائل اخلاقی در یادگیری تقویتی
• 91. فصل ۹۰: سوگیری (Bias) و انصاف (Fairness)
• 92. فصل ۹۱: قابلیت تفسیر (Interpretability)
• 93. فصل ۹۲: آینده یادگیری تقویتی
• 94. فصل ۹۳: ادغام با یادگیری عمیق
• 95. فصل ۹۴: یادگیری تقویتی چندعاملی (Multi-Agent RL)
• 96. فصل ۹۵: یادگیری تقویتی با انسان در حلقه (Human-in-the-Loop RL)
• 97. فصل ۹۶: یادگیری تقویتی با محدودیت‌ها (Constrained RL)
• 98. فصل ۹۷: ابزارها و کتابخانه‌های یادگیری تقویتی
• 99. فصل ۹۸: TensorFlow, PyTorch, Ray RLlib
• 100. فصل ۹۹: محیط‌های شبیه‌سازی (Simulators)