دوره طراحی سیستم‌های کنترل پیش‌بین عمیق برای مسائل پیچیده همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره طراحی سیستم‌های کنترل پیش‌بین عمیق برای مسائل پیچیده

موضوع کلی: کنترل پیش بین مدل (MPC)

موضوع میانی: MPC for Deep Understanding

📋 سرفصل‌های دوره

• 1. مقدمه بر سیستم‌های کنترل پیش‌بین عمیق
• 2. مبانی یادگیری عمیق برای کنترل
• 3. شبکه‌های عصبی بازگشتی
• 4. شبکه‌های حافظه طولانی کوتاه (LSTM)
• 5. شبکه‌های حافظه طولانی کوتاه (GRU)
• 6. شبکه‌های عصبی کانولوشنی (CNN)
• 7. شبکه‌های گراف عصبی (GNN)
• 8. معماری‌های ترنسفورمر در کنترل
• 9. کدگذار-رمزگشا برای پیش‌بینی
• 10. یادگیری تقویتی عمیق (DRL)
• 11. الگوریتم‌های DRL: DQN
• 12. الگوریتم‌های DRL: DDPG
• 13. الگوریتم‌های DRL: PPO
• 14. الگوریتم‌های DRL: A3C
• 15. یادگیری نیمه نظارت شده در کنترل
• 16. یادگیری بدون نظارت در کنترل
• 17. آموزش با مدل (Model-based RL)
• 18. آموزش بدون مدل (Model-free RL)
• 19. مفهوم کنترل پیش‌بین (MPC)
• 20. مبانی MPC کلاسیک
• 21. محدودیت‌ها و چالش‌های MPC کلاسیک
• 22. نیاز به مدل‌های دقیق
• 23. پیچیدگی محاسباتی MPC
• 24. عدم قطعیت در مدل‌ها و سیستم‌ها
• 25. مقدمه بر طراحی MPC عمیق
• 26. ترکیب یادگیری عمیق و MPC
• 27. مزایای MPC عمیق
• 28. چالش‌های MPC عمیق
• 29. انواع معماری‌های MPC عمیق
• 30. MPC عمیق مبتنی بر شبکه عصبی
• 31. MPC عمیق مبتنی بر یادگیری تقویتی
• 32. MPC عمیق با استفاده از ترنسفورمر
• 33. MPC عمیق برای پیش‌بینی حالت
• 34. MPC عمیق برای پیش‌بینی ورودی
• 35. MPC عمیق برای بهینه‌سازی تابع هزینه
• 36. مدل‌سازی سیستم‌های پویا با شبکه‌های عصبی
• 37. یادگیری مدل‌های غیرخطی
• 38. مدل‌سازی سیستم‌های پیچیده با GNN
• 39. مدل‌سازی سیستم‌های توزیع شده
• 40. مدل‌سازی سیستم‌های با تاخیر
• 41. مدل‌سازی سیستم‌های با پارامترهای متغیر
• 42. یادگیری قوانین کنترل با شبکه‌های عصبی
• 43. یادگیری سیاست‌های کنترلی
• 44. تقویت یادگیری سیاست‌های کنترلی
• 45. استفاده از ترنسفورمر برای سیاست‌های کنترلی
• 46. طراحی تابع هزینه برای MPC عمیق
• 47. تنظیم تابع هزینه در DRL
• 48. بهینه‌سازی تابع هزینه در MPC عمیق
• 49. مقابله با عدم قطعیت در MPC عمیق
• 50. روش‌های نمایش عدم قطعیت
• 51. مدیریت عدم قطعیت با شبکه‌های عصبی
• 52. مدیریت عدم قطعیت با یادگیری تقویتی
• 53. MPC عمیق مقاوم در برابر اغتشاش
• 54. هماهنگ‌سازی MPC عمیق با سیستم‌های فیزیکی
• 55. شبیه‌سازی و تست MPC عمیق
• 56. محیط‌های شبیه‌سازی برای DRL
• 57. تست در محیط‌های واقعی
• 58. اعتبارسنجی مدل‌های یادگیری عمیق
• 59. تفسیرپذیری مدل‌های MPC عمیق
• 60. مفهوم تفسیرپذیری
• 61. روش‌های افزایش تفسیرپذیری
• 62. تشخیص دلایل تصمیمات کنترلی
• 63. یادگیری فعال در MPC عمیق
• 64. اهمیت یادگیری فعال
• 65. استراتژی‌های یادگیری فعال
• 66. بهبود کارایی MPC عمیق
• 67. بهینه‌سازی معماری شبکه‌های عصبی
• 68. تنظیم ابرپارامترها
• 69. استفاده از روش‌های مدل فشرده
• 70. کاربردهای MPC عمیق در رباتیک
• 71. کنترل ربات‌های متحرک
• 72. کنترل بازوهای رباتیک
• 73. کنترل ربات‌های پرنده
• 74. کاربردهای MPC عمیق در سیستم‌های انرژی
• 75. مدیریت شبکه‌های هوشمند
• 76. کنترل تولید انرژی تجدیدپذیر
• 77. بهینه‌سازی مصرف انرژی
• 78. کاربردهای MPC عمیق در وسایل نقلیه خودران
• 79. کنترل حرکت خودرو
• 80. تصمیم‌گیری در ترافیک
• 81. هماهنگ‌سازی وسایل نقلیه
• 82. کاربردهای MPC عمیق در هوش مصنوعی
• 83. کنترل سیستم‌های پیچیده هوشمند
• 84. ربات‌های خدمتکار
• 85. سیستم‌های توصیه‌گر پویا
• 86. کاربردهای MPC عمیق در پردازش سیگنال
• 87. فیلترینگ تطبیقی
• 88. تشخیص الگو در سیگنال‌ها
• 89. فشرده‌سازی سیگنال هوشمند
• 90. کاربردهای MPC عمیق در حوزه مالی
• 91. مدل‌سازی بازارهای مالی
• 92. پیش‌بینی قیمت دارایی‌ها
• 93. استراتژی‌های معاملاتی خودکار
• 94. مسائل کنترل پیچیده: مقدمه
• 95. تعریف مسائل کنترل پیچیده
• 96. چالش‌های ذاتی این مسائل
• 97. مثال‌هایی از مسائل پیچیده
• 98. MPC عمیق به عنوان راه‌حل
• 99. نشان دادن برتری MPC عمیق
• 100. مقایسه با روش‌های سنتی