دوره ارتباطات پویای عامل‌ها در محیط‌های پیچیده همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره ارتباطات پویای عامل‌ها در محیط‌های پیچیده

موضوع کلی: یادگیری تقویتی چندعامله (MARL)

موضوع میانی: ارتباطات عامل‌ها در MARL

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر عامل‌ها در هوش مصنوعی
• 2. مفاهیم پایه عامل‌های هوشمند
• 3. انواع عامل‌های هوشمند
• 4. طراحی عامل‌های واکنشی ساده
• 5. عامل‌های مبتنی بر هدف
• 6. عامل‌های سودمند
• 7. عامل‌های یادگیرنده
• 8. ساختار عامل‌های یادگیرنده
• 9. محیط‌های عامل‌ها: ویژگی‌ها
• 10. طبقه‌بندی محیط‌ها
• 11. محیط‌های ایستا و پویا
• 12. محیط‌های تک عاملی و چند عاملی
• 13. محیط‌های قطعی و احتمالی
• 14. محیط‌های قابل مشاهده و غیرقابل مشاهده
• 15. محیط‌های گسسته و پیوسته
• 16. محیط‌های منفرد و چندگانه
• 17. تعاملات چند عاملی: همکاری
• 18. تعاملات چند عاملی: رقابت
• 19. نظریه بازی‌ها در تعاملات چند عاملی
• 20. تعادل نش در بازی‌ها
• 21. بازی‌های مجموع صفر
• 22. بازی‌های مجموع غیرصفر
• 23. بازی‌های تکراری
• 24. یادگیری در بازی‌های تکراری
• 25. مدل‌سازی عامل‌های دیگر
• 26. نظریه عقلانیت در تعاملات چند عاملی
• 27. عامل‌های خودخواه در برابر عامل‌های نوع‌دوست
• 28. مسئله زندانی
• 29. پیاده‌سازی عامل‌های مبتنی بر نظریه بازی‌ها
• 30. الگوریتم‌های جستجو برای عامل‌ها
• 31. جستجوی درخت در فضای حالت
• 32. جستجوی اول سطح و جستجوی اول عمق
• 33. جستجوی حریصانه بهترین اول
• 34. جستجوی A*
• 35. جستجو در فضاهای حالت بزرگ
• 36. مسائل برنامه‌ریزی و عامل‌ها
• 37. برنامه‌ریزی خطی و عامل‌ها
• 38. برنامه‌ریزی غیرخطی
• 39. مسائل زمان‌بندی و تخصیص منابع
• 40. عامل‌های برنامه‌ریز مبتنی بر حالت
• 41. مدل‌های مارکوف تصمیم‌گیری (MDP)
• 42. فرآیندهای مارکوف
• 43. مقدار حالت و مقدار عمل
• 44. تابع سودمندی
• 45. روش‌های حل MDP: تکرار ارزش
• 46. روش‌های حل MDP: تکرار سیاست
• 47. روش‌های حل MDP: برنامه‌ریزی پویا
• 48. یادگیری تقویتی (RL)
• 49. مقدمه‌ای بر یادگیری تقویتی
• 50. تفاوت RL با یادگیری نظارت شده و بدون نظارت
• 51. عناصر کلیدی RL: عامل، محیط، پاداش
• 52. فرمول‌بندی مسائل RL
• 53. الگوریتم‌های Q-Learning
• 54. توسعه Q-Learning
• 55. یادگیری Q-Learning عمیق (DQN)
• 56. الگوریتم‌های Policy Gradient
• 57. یادگیری Actor-Critic
• 58. پیاده‌سازی RL در محیط‌های شبیه‌سازی شده
• 59. مدل‌سازی محیط‌های پیچیده برای RL
• 60. یادگیری از طریق تقلید
• 61. یادگیری انتقال (Transfer Learning) در RL
• 62. عامل‌های چند عاملی و یادگیری تقویتی (MARL)
• 63. مفاهیم پایه MARL
• 64. چالش‌های MARL
• 65. مدل‌های همکاری در MARL
• 66. مدل‌های رقابتی در MARL
• 67. یادگیری مشترک در MARL
• 68. ارتباط عامل‌ها و شبکه‌های عصبی
• 69. شبکه‌های عصبی کانولوشنی (CNN) برای عامل‌ها
• 70. شبکه‌های عصبی بازگشتی (RNN) برای عامل‌ها
• 71. مدل‌های ترنسفورمر برای عامل‌ها
• 72. استفاده از شبکه‌های عصبی در RL
• 73. کاربرد عامل‌های هوشمند در رباتیک
• 74. ناوبری ربات‌ها با عامل‌ها
• 75. کنترل ربات‌ها با عامل‌ها
• 76. بینایی ماشین و عامل‌ها
• 77. پردازش زبان طبیعی و عامل‌ها
• 78. سیستم‌های توصیه‌گر مبتنی بر عامل
• 79. عامل‌های مجازی و دستیارهای هوشمند
• 80. کاربرد عامل‌ها در بازی‌های کامپیوتری
• 81. توسعه بازی با استفاده از عامل‌ها
• 82. بهینه‌سازی عملکرد عامل‌ها
• 83. ارزیابی عملکرد عامل‌های هوشمند
• 84. اخلاق در طراحی و کاربرد عامل‌ها
• 85. مسئولیت‌پذیری عامل‌ها
• 86. امنیت عامل‌ها
• 87. آینده عامل‌های هوشمند
• 88. عامل‌های خودتکمیل‌گر
• 89. عامل‌های خودمختار و تصمیم‌گیری
• 90. عامل‌های در محیط‌های فیزیکی
• 91. عامل‌های در سیستم‌های توزیع شده
• 92. یادگیری جمعی و عامل‌ها
• 93. همکاری انسان و عامل
• 94. نقش عامل‌ها در شهر هوشمند
• 95. عامل‌ها در بهینه‌سازی مصرف انرژی
• 96. عامل‌ها در شبکه‌های توزیع شده برق
• 97. عامل‌ها در مدیریت ترافیک شهری
• 98. عامل‌ها در پیش‌بینی حوادث
• 99. عامل‌ها در نظارت بر زیرساخت‌ها