دوره مبانی ارزیابی عملکرد در سیستم‌های MARL همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مبانی ارزیابی عملکرد در سیستم‌های MARL

موضوع کلی: یادگیری تقویتی چندعامله (MARL)

موضوع میانی: تجزیه و تحلیل عملکرد

📋 سرفصل‌های دوره

• 1. مبانی یادگیری تقویتی چندعامله
• 2. مقدمه‌ای بر سیستم‌های عامل چندگانه
• 3. اهداف و چالش‌های یادگیری تقویتی چندعامله
• 4. مدل‌سازی محیط در سیستم‌های MARL
• 5. تابع پاداش و تعریف آن در MARL
• 6. فضای حالت و عمل در MARL
• 7. یادگیری سیاست در MARL
• 8. یادگیری ارزش در MARL
• 9. مفاهیم عامل منفرد و تعمیم آن به چندعامله
• 10. مواجهه با غیرایستایی محیط در MARL
• 11. مشکل عدم ایستا بودن محیط و راه‌حل‌ها
• 12. همکاری در سیستم‌های MARL
• 13. رقابت در سیستم‌های MARL
• 14. بازی‌های مجموع-صفر و مجموع-غیر-صفر
• 15. تعادل نش در بازی‌ها
• 16. یادگیری نرخ در بازی‌های مجموع-صفر
• 17. یادگیری تطبیقی در بازی‌های تکراری
• 18. مدل‌های عامل‌-محیط در MARL
• 19. مدل‌های یادگیری هماهنگ (Cooperative Learning)
• 20. یادگیری عامل‌-محیط با تعامل (Agent-Environment Interaction)
• 21. مدل‌های یادگیری رقیب (Competitive Learning)
• 22. مدل‌های یادگیری مختلط (Mixed Learning)
• 23. استراتژی‌های یادگیری در MARL
• 24. یادگیری مبتنی بر سیاست (Policy-Based Learning)
• 25. یادگیری مبتنی بر ارزش (Value-Based Learning)
• 26. یادگیری ترکیبی (Actor-Critic Methods)
• 27. شبکه‌های عصبی عمیق در MARL
• 28. یادگیری عمیق تقویتی (Deep Reinforcement Learning)
• 29. نقش شبکه‌های عصبی در MARL
• 30. شبکه‌های عصبی کانولوشنی (CNN) در MARL
• 31. شبکه‌های عصبی بازگشتی (RNN) در MARL
• 32. شبکه‌های عصبی ترنسفورمر (Transformer) در MARL
• 33. الگوریتم‌های یادگیری تقویتی عمیق در MARL
• 34. DQN و تعمیم آن به MARL
• 35. A2C و A3C در MARL
• 36. PPO در MARL
• 37. MADDPG (Multi-Agent Deep Deterministic Policy Gradient)
• 38. COMA (Counterfactual Multi-Agent Policy Gradients)
• 39. QMIX (Q-learning for Multi-Agent Systems)
• 40. VDN (Value Decomposition Networks)
• 41. IQL (Independent Q-Learning)
• 42. وام‌گیری از عامل منفرد (Single-Agent RL)
• 43. تکنیک‌های کاهش ابعاد در MARL
• 44. یادگیری متمرکز-اجرا (Centralized Training, Decentralized Execution - CTDE)
• 45. مزایا و معایب CTDE
• 46. تکنیک‌های یادگیری توزیع‌شده در MARL
• 47. یادگیری میان عامل‌ها (Inter-Agent Learning)
• 48. ارتباط و تبادل اطلاعات بین عامل‌ها
• 49. یادگیری مبتنی بر حافظه (Memory-Based Learning)
• 50. استفاده از حافظه مشترک
• 51. استفاده از حافظه خصوصی
• 52. یادگیری تقویتی با مشاهده محدود (Partial Observability)
• 53. POMDP (Partially Observable Markov Decision Process)
• 54. مدل‌سازی عدم قطعیت در MARL
• 55. یادگیری از طریق شبیه‌سازی (Simulation-Based Learning)
• 56. طراحی محیط‌های شبیه‌سازی شده
• 57. اعتبارسنجی مدل‌های MARL
• 58. مقیاس‌پذیری در سیستم‌های MARL
• 59. چالش‌های مقیاس‌پذیری
• 60. بهینه‌سازی الگوریتم‌ها برای مقیاس‌پذیری
• 61. کاربردها در رباتیک
• 62. کنترل گروهی ربات‌ها
• 63. رباتیک خودمختار
• 64. کاربردها در بازی‌ها
• 65. بازی‌های استراتژیک چندنفره
• 66. هوش مصنوعی در بازی‌ها
• 67. کاربردها در سیستم‌های توزیع‌شده
• 68. مدیریت منابع در سیستم‌های توزیع‌شده
• 69. شبکه‌های حسگر هوشمند
• 70. کاربردها در اقتصاد و بازارهای مالی
• 71. مدل‌سازی رفتار بازیگران در بازار
• 72. معاملات الگوریتمی
• 73. کاربردها در حمل و نقل
• 74. کنترل ترافیک هوشمند
• 75. وسایل نقلیه خودران
• 76. کاربردها در شبکه‌های ارتباطی
• 77. مدیریت پهنای باند
• 78. مسیردهی هوشمند
• 79. کاربردها در سیستم‌های توصیه‌گر
• 80. توصیه به کاربران در پلتفرم‌های مختلف
• 81. شخصی‌سازی تجربیات کاربری
• 82. ملاحظات اخلاقی در MARL
• 83. مسئولیت‌پذیری عامل‌ها
• 84. امنیت در سیستم‌های MARL
• 85. قابلیت اطمینان سیستم‌ها
• 86. آینده پژوهی در MARL
• 87. روندهای نوظهور
• 88. چالش‌های تحقیقاتی پیش رو
• 89. کاربرد یادگیری ماشین در توسعه MARL
• 90. یادگیری انتقالی در MARL
• 91. یادگیری تقویتی با انتقال دانش
• 92. مفاهیم یادگیری فدرال در MARL
• 93. حفظ حریم خصوصی در یادگیری فدرال
• 94. معماری‌های یادگیری فدرال
• 95. یادگیری تقویتی عمیق با یادگیری فدرال
• 96. روش‌های ارزیابی عملکرد در MARL
• 97. معیارهای کمی و کیفی
• 98. مقایسه الگوریتم‌ها
• 99. تکنیک‌های اعتبارسنجی متقابل
• 100. مدل‌سازی محیط‌های پویا با MARL