دوره مدل‌های یادگیری تقویتی برای عامل‌های با ظرفیت محاسباتی محدود همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مدل‌های یادگیری تقویتی برای عامل‌های با ظرفیت محاسباتی محدود

موضوع کلی: یادگیری تقویتی چندعامله (MARL)

موضوع میانی: مدل‌های یادگیری تقویتی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری تقویتی
• 2. مفاهیم اساسی عامل و محیط
• 3. انواع یادگیری تقویتی
• 4. یادگیری تقویتی مبتنی بر ارزش
• 5. یادگیری تقویتی مبتنی بر سیاست
• 6. مدل‌های یادگیری تقویتی: مروری کلی
• 7. هدف‌گذاری عامل‌های با ظرفیت محدود
• 8. چالش‌های ظرفیت محاسباتی در یادگیری تقویتی
• 9. اهمیت بهینه‌سازی مدل‌ها
• 10. مدل‌های خطی در یادگیری تقویتی
• 11. توابع ارزش خطی
• 12. توابع سیاست خطی
• 13. تقریب توابع ارزش با شبکه‌های عصبی
• 14. شبکه‌های عصبی عمیق
• 15. معماری‌های رایج شبکه‌های عصبی
• 16. پس‌انتشار خطا در شبکه‌های عصبی
• 17. یادگیری تقویتی عمیق (DQN)
• 18. اجرای DQN
• 19. حافظه تجربی (Experience Replay)
• 20. نرخ یادگیری و نرخ اکتشاف
• 21. مدل‌های مبتنی بر مدل (Model-based RL)
• 22. یادگیری مدل محیط
• 23. استفاده از مدل برای برنامه‌ریزی
• 24. مدل‌های یادگیری تقویتی بدون مدل (Model-free RL)
• 25. الگوریتم‌های Q-learning
• 26. تفاوت Q-learning و DQN
• 27. الگوریتم SARSA
• 28. مقایسه SARSA و Q-learning
• 29. یادگیری سیاست گرادیان (Policy Gradient)
• 30. الگوریتم REINFORCE
• 31. مزایا و معایب Policy Gradient
• 32. روش‌های Actor-Critic
• 33. معماری Actor-Critic
• 34. الگوریتم A2C (Advantage Actor-Critic)
• 35. الگوریتم A3C (Asynchronous Advantage Actor-Critic)
• 36. یادگیری تقویتی با ظرفیت محدود: رویکردهای اولیه
• 37. کاهش ابعاد فضای حالت
• 38. کاهش ابعاد فضای عمل
• 39. فشرده‌سازی مدل‌ها
• 40. استفاده از مدل‌های کوچک‌تر
• 41. طراحی معماری‌های کارآمد شبکه عصبی
• 42. شبکه‌های عصبی کانولوشنال (CNN) برای داده‌های تصویری
• 43. شبکه‌های عصبی بازگشتی (RNN) برای داده‌های ترتیبی
• 44. استفاده از شبکه‌های عصبی محدود (Compact Neural Networks)
• 45. شبکه‌های عصبی اسپارس (Sparse Neural Networks)
• 46. تقطیر دانش (Knowledge Distillation)
• 47. آموزش مدل کوچک از روی مدل بزرگ
• 48. تکنیک‌های تنظیم پارامتر (Hyperparameter Tuning)
• 49. جستجوی شبکه‌ای (Grid Search)
• 50. جستجوی تصادفی (Random Search)
• 51. بهینه‌سازی بیزی (Bayesian Optimization)
• 52. یادگیری تقویتی با حافظه محدود
• 53. مدل‌های حافظه خارجی
• 54. مدل‌های حافظه داخلی
• 55. استفاده از معماری‌های حافظه‌دار
• 56. یادگیری تقویتی با محدودیت‌های زمانی
• 57. بهینه‌سازی زمان اجرا
• 58. استفاده از الگوریتم‌های کارآمد
• 59. تکنیک‌های پیش‌پردازش داده
• 60. کاهش پیچیدگی داده‌ها
• 61. انتخاب ویژگی‌های مرتبط
• 62. یادگیری تقویتی در محیط‌های پویا
• 63. سازگاری با تغییرات محیط
• 64. یادگیری مستمر (Continual Learning)
• 65. یادگیری انتقالی (Transfer Learning)
• 66. استفاده از دانش از پیش آموخته شده
• 67. کاربرد یادگیری انتقالی در عامل‌های با ظرفیت محدود
• 68. یادگیری تقویتی برای رباتیک
• 69. کنترل ربات‌های متحرک
• 70. کنترل بازوهای رباتیک
• 71. یادگیری تقویتی برای بازی‌ها
• 72. بازی‌های ساده
• 73. بازی‌های پیچیده
• 74. یادگیری تقویتی برای بهینه‌سازی سیستم‌ها
• 75. بهینه‌سازی مصرف انرژی
• 76. بهینه‌سازی منابع محاسباتی
• 77. معیارهای ارزیابی عامل‌های با ظرفیت محدود
• 78. عملکرد و کارایی
• 79. منابع محاسباتی مورد نیاز
• 80. زمان آموزش و استنتاج
• 81. ملاحظات اخلاقی و مسئولیت‌پذیری در هوش مصنوعی
• 82. کاربرد در چارچوب قوانین جمهوری اسلامی ایران
• 83. حفظ حریم خصوصی داده‌ها
• 84. امنیت سیستم‌های هوشمند
• 85. ملاحظات عملی در پیاده‌سازی
• 86. انتخاب چارچوب‌های یادگیری تقویتی
• 87. محیط‌های شبیه‌سازی
• 88. ابزارهای ارزیابی
• 89. تکنیک‌های پیشرفته برای عامل‌های با ظرفیت محدود
• 90. یادگیری تقویتی چندعاملی (Multi-Agent RL)
• 91. پیاده‌سازی در سیستم‌های توزیع شده
• 92. چالش‌های مواجهه با نویز در داده‌ها
• 93. کاربرد تکنیک‌های مقاوم‌سازی (Robustness)
• 94. یادگیری تقویتی با پاداش‌های پراکنده
• 95. طراحی تابع پاداش مؤثر
• 96. تقویت یادگیری با پاداش‌های کمکی (Reward Shaping)
• 97. استفاده از مدل‌های پیش‌بینی‌گر
• 98. پیش‌بینی وضعیت آینده
• 99. پیش‌بینی پاداش آینده
• 100. یادگیری تقویتی در زمان واقعی (Real-time RL)