دوره تکنیک‌های پیشرفته یادگیری تقویتی بدون مدل در هوش مصنوعی همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تکنیک‌های پیشرفته یادگیری تقویتی بدون مدل در هوش مصنوعی

موضوع کلی: یادگیری تقویتی چندعامله (MARL)

موضوع میانی: مدل‌های بدون مدل (Model-free RL)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری تقویتی
• 2. مفاهیم پایه یادگیری تقویتی
• 3. عوامل کلیدی در یادگیری تقویتی
• 4. فضای حالت و فضای عمل
• 5. تابع پاداش و هدف یادگیری
• 6. سیاست‌ها در یادگیری تقویتی
• 7. تابع ارزش
• 8. یادگیری مبتنی بر ارزش
• 9. یادگیری مبتنی بر سیاست
• 10. ترکیب ارزش و سیاست
• 11. یادگیری تقویتی بدون مدل
• 12. تفاوت یادگیری تقویتی با مدل و بدون مدل
• 13. اهمیت یادگیری تقویتی بدون مدل
• 14. روش‌های یادگیری تقویتی بدون مدل
• 15. یادگیری آفلاین (Off-policy)
• 16. یادگیری آنلاین (On-policy)
• 17. مفاهیم اولیه یادگیری آفلاین
• 18. الگوریتم‌های یادگیری آفلاین
• 19. Q-learning
• 20. Deep Q-Networks (DQN)
• 21. Double DQN
• 22. Dueling DQN
• 23. Prioritized Experience Replay
• 24. Noisy DQN
• 25. Rainbow DQN
• 26. Actor-Critic Methods
• 27. مقدمه‌ای بر Actor-Critic
• 28. ساختار Actor-Critic
• 29. مزایای Actor-Critic
• 30. الگوریتم‌های Actor-Critic
• 31. Asynchronous Advantage Actor-Critic (A3C)
• 32. Advantage Actor-Critic (A2C)
• 33. Deep Deterministic Policy Gradient (DDPG)
• 34. Twin Delayed Deep Deterministic Policy Gradient (TD3)
• 35. Soft Actor-Critic (SAC)
• 36. Proximal Policy Optimization (PPO)
• 37. Trust Region Policy Optimization (TRPO)
• 38. یادگیری تقویتی مبتنی بر مدل (Model-Based RL)
• 39. مقدمه‌ای بر یادگیری مبتنی بر مدل
• 40. ساخت مدل محیط
• 41. استفاده از مدل برای برنامه‌ریزی
• 42. مزایا و معایب یادگیری مبتنی بر مدل
• 43. روش‌های یادگیری تقویتی مبتنی بر مدل
• 44. Model Predictive Control (MPC)
• 45. Dyna-Q
• 46. AlphaGo و AlphaZero
• 47. یادگیری تقویتی چندعامله (Multi-Agent RL)
• 48. مقدمه‌ای بر یادگیری چندعامله
• 49. چالش‌های یادگیری چندعامله
• 50. همکاری و رقابت در یادگیری چندعامله
• 51. الگوریتم‌های یادگیری چندعامله
• 52. Multi-Agent Q-Learning
• 53. MADDPG
• 54. COMA
• 55. اتصال یادگیری تقویتی به شبکه‌های عصبی عمیق
• 56. شبکه‌های عصبی کانولوشنی (CNN) در RL
• 57. شبکه‌های عصبی بازگشتی (RNN) در RL
• 58. شبکه‌های عصبی ترنسفورمر در RL
• 59. کاربرد شبکه‌های عصبی در یادگیری تقویتی بدون مدل
• 60. بهینه‌سازی هایپرپارامترها در یادگیری تقویتی
• 61. تنظیم نرخ یادگیری
• 62. تنظیم ضریب تخفیف
• 63. تنظیم اندازه بافر تجربه
• 64. تنظیم اندازه دسته‌های یادگیری
• 65. تنظیم معماری شبکه عصبی
• 66. ارزیابی عملکرد الگوریتم‌های یادگیری تقویتی
• 67. معیارهای ارزیابی
• 68. تحلیل حساسیت
• 69. مقایسه الگوریتم‌ها
• 70. کاربردهای پیشرفته یادگیری تقویتی بدون مدل
• 71. رباتیک و کنترل
• 72. سیستم‌های توصیه‌گر
• 73. بازی‌ها و شبیه‌سازی‌ها
• 74. مدیریت منابع
• 75. تحلیل داده‌های سری زمانی
• 76. کاربرد در مسائل اقتصادی و مالی (با رعایت چارچوب مقررات)
• 77. تکنیک‌های تنظیم‌گری (Regularization) در RL
• 78. Dropou
• 79. Batch Normalization
• 80. Weight Decay
• 81. تقویت یادگیری در محیط‌های با پاداش پراکنده
• 82. Intrinsic Motivation
• 83. Curiosity-Driven Learning
• 84. Exploration Strategies
• 85. یادگیری تقویتی در رباتیک پیشرفته
• 86. کنترل حرکتی پیشرفته
• 87. یادگیری وظایف پیچیده
• 88. هماهنگی ربات‌ها
• 89. کاربرد در سیستم‌های خودران (با رعایت چارچوب مقررات)
• 90. یادگیری تقویتی در پردازش زبان طبیعی
• 91. تولید متن
• 92. خلاصه‌سازی متن
• 93. ترجمه ماشینی
• 94. کاربرد در بهینه‌سازی سیستم‌ها
• 95. استفاده از یادگیری تقویتی در بهینه‌سازی شبکه‌های کامپیوتری
• 96. مدیریت ترافیک شبکه
• 97. تخصیص منابع در محاسبات ابری
• 98. امنیت سایبری (با رعایت چارچوب مقررات)
• 99. پیشرفت‌های اخیر در یادگیری تقویتی بدون مدل
• 100. روش‌های یادگیری تقویتی ترکیبی