دوره تحلیل عمقی ارزیابی مدل‌های یادگیری تقویتی چندعامله همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تحلیل عمقی ارزیابی مدل‌های یادگیری تقویتی چندعامله

موضوع کلی: یادگیری تقویتی چندعامله (MARL)

موضوع میانی: ارزیابی مدل‌های MARL

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری تقویتی چندعامله
• 2. مبانی نظریه بازی‌ها در سیستم‌های چندعامله
• 3. مدل‌های عامل‌محور و تعاملات آن‌ها
• 4. مفاهیم کلیدی در یادگیری تقویتی
• 5. یادگیری تقویتی تک‌عامله: مرور
• 6. تفاوت‌های یادگیری تقویتی چندعامله و تک‌عامله
• 7. چالش‌های هماهنگی و رقابت در سیستم‌های چندعامله
• 8. فضای حالت و فضای عمل مشترک و مجزا
• 9. توابع پاداش در محیط‌های چندعامله
• 10. معرفی الگوریتم‌های یادگیری تقویتی کلاسیک
• 11. Q-Learning در محیط‌های چندعامله: چالش‌ها
• 12. SARSA در محیط‌های چندعامله: ملاحظات
• 13. یادگیری تقویتی عمیق (Deep RL)
• 14. شبکه‌های عصبی عمیق برای یادگیری تقویتی
• 15. DQN و انطباق آن با محیط‌های چندعامله
• 16. Actor-Critic در یادگیری تقویتی چندعامله
• 17. یادگیری تقویتی مبتنی بر مدل در مقابل بدون مدل
• 18. مدل‌های محیطی در یادگیری تقویتی چندعامله
• 19. یادگیری تقویتی با مشاهده‌پذیری ناقص
• 20. هماهنگی و همکاری بین عامل‌ها
• 21. استراتژی‌های هماهنگی در یادگیری تقویتی
• 22. یادگیری تقویتی مبتنی بر هنجار اجتماعی
• 23. یادگیری تقویتی با پاداش مشترک
• 24. یادگیری تقویتی با پاداش مجزا
• 25. رقابت بین عامل‌ها
• 26. بازی‌های مجموع-صفر و مجموع-غیرصفر
• 27. یادگیری تقویتی در بازی‌های مجموع-صفر
• 28. یادگیری تقویتی در بازی‌های مجموع-غیرصفر
• 29. تعادل نش (Nash Equilibrium) در نظریه بازی‌ها
• 30. یادگیری تقویتی برای یافتن تعادل نش
• 31. یادگیری تقویتی با پاداش‌های متقابل (Counterfactual Regret Minimization)
• 32. یادگیری تقویتی مبتنی بر عامل‌های یادگیرنده (Learning Agents)
• 33. یادگیری تقویتی مبتنی بر عامل‌های یادگیرنده استراتژی
• 34. یادگیری تقویتی مبتنی بر عامل‌های یادگیرنده سیاست
• 35. یادگیری تقویتی مبتنی بر مدل‌های پیش‌بینی‌کننده
• 36. یادگیری تقویتی با عامل‌های ناهمگن
• 37. عامل‌های با قابلیت‌های متفاوت
• 38. یادگیری تقویتی با عامل‌های با اهداف متفاوت
• 39. یادگیری تقویتی با عامل‌های یادگیرنده از یکدیگر
• 40. یادگیری تقویتی با یادگیری سیاست مشترک
• 41. یادگیری تقویتی با یادگیری سیاست مجزا
• 42. یادگیری تقویتی با عامل‌های مبتنی بر تقلید (Imitation Learning)
• 43. یادگیری تقویتی با یادگیری مبتنی بر مشاهده
• 44. یادگیری تقویتی در رباتیک
• 45. کنترل ربات‌های چندگانه
• 46. هماهنگی ربات‌ها در وظایف مشترک
• 47. رقابت ربات‌ها در محیط‌های محدود
• 48. کاربرد در سیستم‌های حمل و نقل هوشمند
• 49. مدیریت ترافیک با یادگیری تقویتی
• 50. بهینه‌سازی مسیر در شبکه‌های حمل و نقل
• 51. سیستم‌های خودران و تعامل بین خودروها
• 52. کاربرد در شبکه‌های مخابراتی
• 53. مدیریت منابع در شبکه‌های بی‌سیم
• 54. بهینه‌سازی تخصیص کانال
• 55. یادگیری تقویتی برای مسیریابی پویا
• 56. کاربرد در سیستم‌های توزیع‌شده
• 57. مدیریت منابع در محاسبات ابری
• 58. هماهنگی سرویس‌ها در سیستم‌های توزیع‌شده
• 59. یادگیری تقویتی در بازارهای الکترونیکی
• 60. مدل‌سازی رفتار فروشندگان و خریداران
• 61. بهینه‌سازی استراتژی‌های قیمت‌گذاری
• 62. یادگیری تقویتی در سیستم‌های توصیه
• 63. توصیه اقلام به کاربران در تعامل با یکدیگر
• 64. یادگیری تقویتی در بازی‌های کامپیوتری
• 65. طراحی عامل‌های هوشمند برای بازی‌ها
• 66. یادگیری تقویتی در شبیه‌سازی‌های پیچیده
• 67. مدل‌سازی پدیده‌های اجتماعی و اقتصادی
• 68. تحلیل سناریوهای مختلف با یادگیری تقویتی
• 69. الگوریتم‌های یادگیری تقویتی پیشرفته
• 70. Deep Deterministic Policy Gradient (DDPG)
• 71. Multi-Agent Deep Deterministic Policy Gradient (MADDPG)
• 72. Proximal Policy Optimization (PPO) در محیط‌های چندعامله
• 73. Asynchronous Advantage Actor-Critic (A3C) برای محیط‌های چندعامله
• 74. طراحی شبکه‌های عصبی برای عامل‌های چندعامله
• 75. استفاده از شبکه‌های عصبی کانولوشنی (CNN)
• 76. استفاده از شبکه‌های عصبی بازگشتی (RNN)
• 77. استفاده از شبکه‌های عصبی گراف (GNN)
• 78. معماری‌های مبتنی بر توجه (Attention Mechanisms)
• 79. روش‌های یادگیری تقویتی برای محیط‌های با پاداش پراکنده
• 80. تقویت پاداش (Reward Shaping)
• 81. یادگیری تقویتی با متاریاضیات (Meta-Learning)
• 82. یادگیری تقویتی با یادگیری انتقال (Transfer Learning)
• 83. اعتبارسنجی و ارزیابی مدل‌های یادگیری تقویتی چندعامله
• 84. سنجه‌های ارزیابی عملکرد
• 85. مقایسه با خط مبنا (Baseline)
• 86. تحلیل حساسیت پارامترها
• 87. روش‌های شبیه‌سازی برای ارزیابی
• 88. چالش‌های مقیاس‌پذیری در یادگیری تقویتی چندعامله
• 89. مدیریت منابع محاسباتی
• 90. پیاده‌سازی کارآمد الگوریتم‌ها
• 91. ارتباط با نظریه بازی‌های تکاملی
• 92. کاربرد در علوم زیستی و تکاملی
• 93. مدل‌سازی رفتار جمعی در طبیعت
• 94. یادگیری تقویتی در رباتیک تیمی
• 95. هماهنگی در عملیات جستجو و نجات
• 96. رقابت و همکاری در محیط‌های فضایی
• 97. یادگیری تقویتی در سیستم‌های اقتصادی اسلامی
• 98. مدل‌سازی بازارهای مبتنی بر عقود اسلامی
• 99. بهینه‌سازی سرمایه‌گذاری با رعایت موازین شرعی
• 100. یادگیری تقویتی در مدیریت ریسک مالی با رویکرد اسلامی