دوره نظریه محاسباتی برای یادگیری تقویتی چندعامله همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره نظریه محاسباتی برای یادگیری تقویتی چندعامله

موضوع کلی: یادگیری تقویتی چندعامله (MARL)

موضوع میانی: جنبه‌های نظری MARL

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری تقویتی چندعامله
• 2. مدل‌های عامل در محیط‌های پویا
• 3. مفاهیم پایه نظریه بازی‌ها
• 4. استراتژی‌های بهینه در بازی‌های تکراری
• 5. تعادل نش و کاربردهای آن
• 6. محیط‌های یادگیری تقویتی چیست
• 7. عوامل و محیط: تعریف رسمی
• 8. فضای حالت و فضای عمل
• 9. مدل‌های مارکوف تصمیم‌گیری (MDP)
• 10. MDPهای چندعامله (MARL)
• 11. تفاوت‌های کلیدی MARL با RL تک‌عامله
• 12. هدف یادگیری در MARL
• 13. توابع پاداش و تعریف آن
• 14. پاداش‌های مشترک و مجزا
• 15. تعریف حالت مشترک و حالت محلی
• 16. تعریف عمل مشترک و عمل محلی
• 17. مواجهه با عدم قطعیت در MARL
• 18. مدل‌سازی محیط‌های پویا و نامعین
• 19. اهمیت مدل‌سازی محیط
• 20. روش‌های یادگیری عامل منفرد
• 21. یادگیری مبتنی بر ارزش (Value-Based Learning)
• 22. معادلات بلمن و بسط آن
• 23. یادگیری Q (Q-Learning)
• 24. Deep Q-Networks (DQN)
• 25. یادگیری مبتنی بر سیاست (Policy-Based Learning)
• 26. روش‌های گرادیان سیاست (Policy Gradient)
• 27. REINFORCE و انواع آن
• 28. Actor-Critic Methods
• 29. یادگیری مبتنی بر مدل (Model-Based Learning)
• 30. محدودیت‌های یادگیری عامل منفرد در MARL
• 31. چالش‌های هماهنگی و رقابت
• 32. عدم ایستایی محیط از دیدگاه یک عامل
• 33. پیچیدگی محاسباتی در MARL
• 34. روش‌های یادگیری هماهنگ
• 35. یادگیری مبتنی بر ارزش توزیع‌شده
• 36. Value Decomposition Networks (VDN)
• 37. QMIX و معماری آن
• 38. توابع تجمیع (Mixing Functions)
• 39. یادگیری مبتنی بر سیاست توزیع‌شده
• 40. MADDPG: Multi-Agent Deep Deterministic Policy Gradient
• 41. COMA: Counterfactual Multi-Agent Policy Gradients
• 42. مرور معماری‌های Actor-Critic در MARL
• 43. روش‌های یادگیری مبتنی بر مدل در MARL
• 44. نقش مدل‌های پیش‌بینی‌کننده
• 45. یادگیری مدل‌های مشترک
• 46. یادگیری مدل‌های مجزا
• 47. مدل‌های مبتنی بر بازی‌ها
• 48. استفاده از مدل‌ها برای برنامه‌ریزی
• 49. تکنیک‌های هماهنگی صریح
• 50. ارتباطات بین عوامل
• 51. یادگیری زبان مشترک
• 52. استفاده از سیگنال‌های ارتباطی
• 53. هماهنگی از طریق قراردادهای ضمنی
• 54. یادگیری استراتژی‌های مبتنی بر مشاهده
• 55. یادگیری تقویتی با مشاهده محدود
• 56. مواجهه با پنهان‌کاری (Partial Observability)
• 57. مدل‌های مارکوف تصمیم‌گیری پنهان (POMDP)
• 58. POMDPهای چندعامله
• 59. روش‌های حل POMDPهای چندعامله
• 60. تکنیک‌های یادگیری برای محیط‌های پنهان
• 61. یادگیری تقویتی با پاداش پراکنده
• 62. استراتژی‌های تشویق و پاداش‌دهی
• 63. شکل‌دهی پاداش (Reward Shaping)
• 64. استفاده از پاداش‌های مصنوعی
• 65. کاربرد یادگیری تقویتی در رباتیک
• 66. هماهنگی ربات‌ها در انبارداری
• 67. کنترل ترافیک هوشمند
• 68. مدل‌سازی رفتار اقتصادی عوامل
• 69. کاربرد در بازارهای مالی
• 70. آموزش عوامل برای وظایف پیچیده
• 71. بازی‌های شبیه‌سازی شده
• 72. شبکه‌های عصبی در MARL
• 73. معماری‌های عمیق برای MARL
• 74. استفاده از شبکه‌های کانولوشنال
• 75. استفاده از شبکه‌های بازگشتی
• 76. تکنیک‌های تنظیم و بهینه‌سازی
• 77. جستجوی هایپرپارامترها
• 78. روش‌های ارزیابی عملکرد در MARL
• 79. معیارهای سنجش پیشرفت
• 80. تحلیل پایداری و همگرایی
• 81. مطالعات موردی پیشرفته در MARL
• 82. یادگیری تقویتی برای سیستم‌های توزیع‌شده
• 83. کاربرد در شبکه‌های حسگر
• 84. یادگیری تقویتی در بازی‌های استراتژیک
• 85. هماهنگی در بازی‌های تیمی
• 86. مواجهه با عوامل غیرهمکار
• 87. استراتژی‌های دفاعی و تهاجمی
• 88. یادگیری تقویتی برای سیستم‌های امنیتی
• 89. مدل‌سازی تهدیدات سایبری
• 90. تشخیص ناهنجاری در سیستم‌های چندعامله
• 91. یادگیری تقویتی برای بهینه‌سازی منابع
• 92. مدیریت انرژی در شبکه‌های هوشمند
• 93. تخصیص منابع در محاسبات ابری
• 94. یادگیری تقویتی در سیستم‌های حمل و نقل
• 95. بهینه‌سازی مسیر در ناوگان خودرویی
• 96. مدیریت صف‌های انتظار
• 97. یادگیری تقویتی برای سیستم‌های توزیع‌شده با عدم قطعیت
• 98. مدل‌سازی عدم قطعیت در سیستم‌های صنعتی
• 99. تطبیق با تغییرات محیطی
• 100. مباحث پیشرفته در MARL