دوره یادگیری تقویتی عمیق برای رباتیک و اتوماسیون با بردهای تک‌برد همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره یادگیری تقویتی عمیق برای رباتیک و اتوماسیون با بردهای تک‌برد

موضوع کلی: کامپیوترهای تک‌برد و سیستم‌های توکار

موضوع میانی: مبانی یادگیری عمیق (Deep Learning) برای سیستم‌های توکار

📋 سرفصل‌های دوره

• 1. مقدمه ای بر یادگیری تقویتی عمیق
• 2. مبانی یادگیری تقویتی
• 3. عوامل و محیط ها
• 4. پاداش ها و تابع ارزش
• 5. سیاست ها و تابع کیفیت
• 6. یادگیری آفلاین در مقابل آنلاین
• 7. یادگیری مبتنی بر مدل در مقابل بدون مدل
• 8. الگوریتم های ارزش گذاری
• 9. یادگیری عمیق و شبکه های عصبی
• 10. شبکه های عصبی کانولوشنال
• 11. شبکه های عصبی بازگشتی
• 12. شبکه های عصبی ترنسفورمر
• 13. ترکیب یادگیری تقویتی و یادگیری عمیق
• 14. یادگیری تقویتی عمیق (DRL)
• 15. یادگیری Q-Network عمیق (DQN)
• 16. یادگیری Q-Network دوگانه عمیق (DDQN)
• 17. یادگیری Actor-Critic
• 18. یادگیری Actor-Critic تقدم-تاخر (A2C)
• 19. یادگیری Actor-Critic پیشرفته (A3C)
• 20. یادگیری Actor-Critic پالیسی گرادیان (PPO)
• 21. یادگیری Actor-Critic پراکنده (DDPG)
• 22. یادگیری Actor-Critic پالیسی عمل (SAC)
• 23. مفهوم شبکه های عصبی در DRL
• 24. توابع فعال سازی
• 25. تابع زیان
• 26. بهینه سازی گرادیان نزولی
• 27. پس انتشار
• 28. معماری شبکه های عصبی برای DRL
• 29. شبکه های عصبی فیدفوروارد
• 30. شبکه های عصبی کانولوشنال در DRL
• 31. شبکه های عصبی بازگشتی در DRL
• 32. شبکه های عصبی ترنسفورمر در DRL
• 33. موازی سازی و توزیع در DRL
• 34. مدل های گسسته در مقابل مدل های پیوسته
• 35. فضاهای حالت و عمل گسسته
• 36. فضاهای حالت و عمل پیوسته
• 37. چالش ها در DRL
• 38. ناپایداری و واگرایی
• 39. جستجوی پالیسی
• 40. تنوع پذیری اکتشاف
• 41. برنامه ریزی بلندمدت
• 42. بیانگرهای حافظه
• 43. استفاده از برد های تک برد
• 44. معرفی بردهای تک برد
• 45. مدل های رایج بردهای تک برد
• 46. ارتباط بردهای تک برد با DRL
• 47. پیکربندی سخت افزار
• 48. نصب و راه اندازی نرم افزار
• 49. محیط های شبیه سازی
• 50. SimPy
• 51. OpenAI Gym
• 52. MuJoCo
• 53. PyBullet
• 54. Gazebo
• 55. ROS (Robot Operating System)
• 56. اتصال بردهای تک برد به محیط های شبیه سازی
• 57. توسعه عامل DRL بر روی برد تک برد
• 58. ملاحظات پردازشی
• 59. محدودیت های حافظه
• 60. مصرف توان
• 61. یادگیری با داده های جمع آوری شده
• 62. انتقال یادگیری
• 63. تنظیم دقیق مدل های DRL
• 64. کاربرد DRL در رباتیک
• 65. کنترل حرکت ربات
• 66. ناوبری ربات
• 67. دستکاری ربات
• 68. همکاری ربات
• 69. رباتیک انسان نما
• 70. رباتیک صنعتی
• 71. کاربرد DRL در اتوماسیون
• 72. کنترل فرآیندهای صنعتی
• 73. بهینه سازی سیستم های تولید
• 74. مدیریت زنجیره تامین
• 75. اتوماسیون انبار
• 76. ربات های خودمختار
• 77. وسیله نقلیه خودران
• 78. پردازش زبان طبیعی در رباتیک
• 79. بینایی ماشین در رباتیک
• 80. حسگرها در رباتیک
• 81. عملگرها در رباتیک
• 82. ارتباط سنسور و عملگر با DRL
• 83. طراحی تابع پاداش
• 84. تنظیم پارامترهای DRL
• 85. ارزیابی عملکرد عامل DRL
• 86. آزمایش و اعتبارسنجی
• 87. کارایی و مقیاس پذیری
• 88. مطالعات موردی در رباتیک
• 89. مطالعات موردی در اتوماسیون
• 90. آینده DRL در رباتیک و اتوماسیون
• 91. یادگیری تقویتی توزیع شده
• 92. یادگیری تقویتی چند عاملی
• 93. یادگیری تقویتی قابل تفسیر
• 94. یادگیری تقویتی ایمن
• 95. هوش مصنوعی عمومی
• 96. چالش های اخلاقی و ایمنی
• 97. نتیجه گیری
• 98. مرور کلی
• 99. مسیرهای آینده