دوره یادگیری تقویتی (Reinforcement Learning) همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره یادگیری تقویتی (Reinforcement Learning)

موضوع کلی: هوش مصنوعی و مدل‌های زبانی بزرگ

موضوع میانی: یادگیری ماشین (Machine Learning)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری تقویتی
• 2. مفاهیم بنیادی یادگیری تقویتی
• 3. عناصر اصلی فرایند یادگیری تقویتی
• 4. انواع یادگیری تقویتی
• 5. یادگیری با نظارت و بدون نظارت
• 6. یادگیری تقویتی مبتنی بر عامل
• 7. مدل‌های پایه یادگیری تقویتی
• 8. فضای حالت و فضای عمل
• 9. تابع پاداش و تابع ارزش
• 10. مارکوف تصمیم‌گیری (MDP)
• 11. قانون سیاست (Policy)
• 12. تقسیم‌بندی مسائل در یادگیری تقویتی
• 13. مفاهیم بهینه‌سازی در یادگیری تقویتی
• 14. قضیه بل-من-فورد
• 15. قضیه اپسیلون-گریندی
• 16. تخمین تابع ارزش
• 17. روش‌های مونت کارلو
• 18. روش‌های تفاضل زمانی (TD)
• 19. یادگیری Q (Q-Learning)
• 20. یادگیری SARSA
• 21. مقایسه Q-Learning و SARSA
• 22. یادگیری عمیق تقویتی (Deep RL)
• 23. شبکه‌های عصبی در یادگیری تقویتی
• 24. یادگیری عمیق Q (DQN)
• 25. بهینه‌سازی DQN
• 26. شبکه‌های عصبی عمیق Actor-Critic
• 27. روش‌های Policy Gradient
• 28. روش‌های Actor-Critic
• 29. مقایسه روش‌های Policy Gradient و Actor-Critic
• 30. یادگیری تقویتی معکوس (Inverse RL)
• 31. یادگیری از طریق مشاهده
• 32. مفاهیم یادگیری تقویتی معکوس
• 33. کاربرد یادگیری تقویتی معکوس
• 34. یادگیری تقویتی چند عاملی (Multi-Agent RL)
• 35. مفاهیم هماهنگی در عامل‌های چندگانه
• 36. بازی‌های جمعی و رقابتی
• 37. یادگیری تقویتی در رباتیک
• 38. کنترل ربات‌ها با یادگیری تقویتی
• 39. ناوبری ربات‌ها
• 40. دستکاری ربات‌ها
• 41. یادگیری تقویتی در بازی‌ها
• 42. یادگیری تقویتی برای بازی‌های تخته‌ای
• 43. یادگیری تقویتی برای بازی‌های ویدئویی
• 44. برنامه‌ریزی در یادگیری تقویتی
• 45. برنامه‌ریزی با استفاده از مدل
• 46. برنامه‌ریزی بدون استفاده از مدل
• 47. بهینه‌سازی منابع با یادگیری تقویتی
• 48. مدیریت انرژی با یادگیری تقویتی
• 49. بهینه‌سازی ترافیک شهری
• 50. سیستم‌های توصیه‌گر مبتنی بر یادگیری تقویتی
• 51. شخصی‌سازی محتوا
• 52. بهبود تجربه کاربری
• 53. یادگیری تقویتی در حوزه سلامت
• 54. تشخیص بیماری‌ها
• 55. درمان شخصی‌سازی شده
• 56. مدیریت بیماری‌های مزمن
• 57. یادگیری تقویتی در امور مالی
• 58. معاملات خودکار سهام
• 59. مدیریت ریسک
• 60. بهینه‌سازی سبد سهام
• 61. ملاحظات اخلاقی در یادگیری تقویتی
• 62. سوگیری در الگوریتم‌ها
• 63. مسئولیت‌پذیری عامل‌ها
• 64. شفافیت در تصمیم‌گیری
• 65. مقیاس‌پذیری الگوریتم‌ها
• 66. بهینه‌سازی حافظه در یادگیری تقویتی
• 67. تکنیک‌های کاهش ابعاد
• 68. یادگیری تقویتی با پاداش پراکنده
• 69. یادگیری تقویتی در محیط‌های پویا
• 70. سازگاری با تغییرات محیطی
• 71. یادگیری تقویتی با عدم قطعیت
• 72. مدل‌سازی عدم قطعیت
• 73. تصمیم‌گیری تحت عدم قطعیت
• 74. یادگیری تقویتی با محدودیت‌های عملیاتی
• 75. محدودیت‌های انرژی
• 76. محدودیت‌های محاسباتی
• 77. محدودیت‌های زمانی
• 78. ارزیابی عملکرد در یادگیری تقویتی
• 79. معیارهای ارزیابی
• 80. تحلیل حساسیت
• 81. آزمایش‌های میدانی
• 82. تکنیک‌های اکتشاف در یادگیری تقویتی
• 83. اکتشاف حریصانه
• 84. اکتشاف تصادفی
• 85. اکتشاف مبتنی بر پاداش
• 86. یادگیری تقویتی با یادگیری انتقالی
• 87. استفاده از دانش آموخته شده
• 88. انتقال دانش بین وظایف
• 89. تکنیک‌های پیشرفته در یادگیری تقویتی
• 90. یادگیری تقویتی مبتنی بر مدل‌های مولد
• 91. یادگیری تقویتی با شبکه‌های مولد تخاصمی (GAN)
• 92. یادگیری تقویتی با شبکه‌های گراف عصبی (GNN)
• 93. پیاده‌سازی یادگیری تقویتی
• 94. کتابخانه‌ها و چارچوب‌های یادگیری تقویتی
• 95. TensorFlow و PyTorch
• 96. Ray RLlib
• 97. OpenAI Gym
• 98. کاربرد در صنعت نرم‌افزار
• 99. توسعه بازی‌های هوشمند
• 100. بهینه‌سازی سیستم‌های نرم‌افزاری