دوره مطالعه موردی بازی‌های ساده در یادگیری تقویتی چندعامله همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مطالعه موردی بازی‌های ساده در یادگیری تقویتی چندعامله

موضوع کلی: یادگیری تقویتی چندعامله (MARL)

موضوع میانی: بازی‌ها (Games)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر بازی‌های ساده در یادگیری تقویتی چندعامله
• 2. مفاهیم پایه یادگیری تقویتی
• 3. محیط‌های یادگیری تقویتی: عامل و محیط
• 4. تابع پاداش و تابع انتقال حالت
• 5. الگوریتم‌های یادگیری تقویتی تک‌عامله
• 6. یادگیری Q-Learning
• 7. یادگیری SARSA
• 8. یادگیری عمیق در یادگیری تقویتی
• 9. شبکه‌های عصبی عمیق برای تخمین تابع ارزش
• 10. معرفی یادگیری تقویتی چندعامله (MARL)
• 11. چالش‌های یادگیری تقویتی چندعامله
• 12. محیط‌های چندعامله: انواع و ویژگی‌ها
• 13. مدل‌های تعامل عامل‌ها در MARL
• 14. همکاری در مقابل رقابت در MARL
• 15. بازی‌های جمعی (Cooperative Games)
• 16. بازی‌های رقابتی (Competitive Games)
• 17. بازی‌های مختلط (Mixed Games)
• 18. مدل‌های حل بازی‌های چندعامله
• 19. بازی‌های ماتریسی و ماتریس سود
• 20. معرفی بازی‌های ساده
• 21. بازی سنگ، کاغذ، قیچی
• 22. بازی گره‌گشایی (Tug-of-War)
• 23. بازی تعقیب و گریز (Pursuit-Evasion)
• 24. بازی‌های مبتنی بر شبکه
• 25. شبکه‌های ارتباطی عامل‌ها
• 26. یادگیری راهبرد در بازی‌های ساده
• 27. تکامل راهبردها با الگوریتم‌های ژنتیک
• 28. تکامل راهبردها با یادگیری تقویتی
• 29. یادگیری راهبرد در بازی سنگ، کاغذ، قیچی
• 30. تکامل راهبرد در بازی گره‌گشایی
• 31. یادگیری راهبرد در بازی تعقیب و گریز
• 32. پیاده‌سازی بازی‌های ساده با Python
• 33. استفاده از کتابخانه‌های Gym و PettingZoo
• 34. شبیه‌سازی محیط‌های بازی ساده
• 35. آموزش عامل‌ها در محیط‌های ساده
• 36. ارزیابی عملکرد عامل‌ها در بازی‌های ساده
• 37. مصورسازی تعامل عامل‌ها
• 38. کاربرد بازی‌های ساده در مدل‌سازی مسائل واقعی
• 39. مدل‌سازی همکاری در تیم‌های رباتیک
• 40. مدل‌سازی مذاکرات اقتصادی
• 41. مدل‌سازی سیستم‌های ترافیکی
• 42. مدل‌سازی توزیع منابع
• 43. مروری بر الگوریتم‌های پیشرفته MARL
• 44. یادگیری مبتنی بر عامل مرکزی (Centralized Training)
• 45. یادگیری مبتنی بر عامل توزیع‌شده (Decentralized Execution)
• 46. اتصال‌گرهای عامل (Agent Communication)
• 47. یادگیری مبتنی بر مدل در MARL
• 48. یادگیری بدون مدل در MARL
• 49. روش‌های بازیابی در MARL
• 50. روش‌های بازیابی در بازی‌های ماتریسی
• 51. روش‌های بازیابی در بازی‌های پویا
• 52. یادگیری راهبرد مشترک
• 53. یادگیری راهبردهای واگرا
• 54. یادگیری راهبردهای همگرا
• 55. تکنیک‌های یادگیری عمیق در MARL
• 56. شبکه‌های عصبی کانولوشنال برای MARL
• 57. شبکه‌های عصبی بازگشتی برای MARL
• 58. شبکه‌های عصبی گراف برای MARL
• 59. کاربرد یادگیری تقویتی چندعامله در رباتیک
• 60. کنترل گروهی ربات‌ها
• 61. ناوبری ربات‌های خودکار
• 62. انجام وظایف مشترک توسط ربات‌ها
• 63. کاربرد MARL در سیستم‌های توزیع‌شده
• 64. مدیریت منابع در سیستم‌های ابری
• 65. بهینه‌سازی شبکه‌های توزیع‌شده
• 66. سیستم‌های توصیه‌گر چندعامله
• 67. کاربرد MARL در اقتصاد و مالی
• 68. مدل‌سازی بازارهای مالی
• 69. استراتژی‌های معاملاتی خودکار
• 70. بهینه‌سازی سبد سهام
• 71. کاربرد MARL در بازی‌ها و سرگرمی
• 72. ساخت هوش مصنوعی در بازی‌های ویدئویی
• 73. طراحی بازی‌های تعاملی
• 74. تحلیل رفتار بازیکنان
• 75. چالش‌های مقیاس‌پذیری در MARL
• 76. افزایش تعداد عامل‌ها
• 77. افزایش پیچیدگی محیط
• 78. ارزیابی و تحلیل نتایج در MARL
• 79. معیارهای ارزیابی عملکرد
• 80. تفسیرپذیری مدل‌های MARL
• 81. اخلاق در یادگیری تقویتی چندعامله
• 82. مسائل مربوط به مسئولیت‌پذیری
• 83. ایجاد عامل‌های عادلانه و بی‌طرف
• 84. مطالعات موردی پیشرفته MARL
• 85. تحلیل بازی‌های پیچیده‌تر
• 86. طراحی محیط‌های آموزشی MARL
• 87. پروژه‌های عملی MARL
• 88. مقدمه‌ای بر یادگیری تقویتی میان‌رشته‌ای
• 89. کاربرد MARL در علوم اجتماعی
• 90. تحلیل پدیده‌های اجتماعی
• 91. مدل‌سازی رفتار جمعی
• 92. کاربرد MARL در علوم زیستی
• 93. مدل‌سازی سیستم‌های زیستی
• 94. تحلیل رفتار حیوانات
• 95. آینده پژوهش در یادگیری تقویتی چندعامله
• 96. روندهای نوظهور
• 97. چالش‌های تحقیقاتی آینده
• 98. مروری بر منابع و مراجع کلیدی MARL