دوره مقدمه‌ای جامع بر COMA: یادگیری تقویتی چندعامله با رویکرد پادفکت همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مقدمه‌ای جامع بر COMA: یادگیری تقویتی چندعامله با رویکرد پادفکت

موضوع کلی: یادگیری تقویتی چندعامله (MARL)

موضوع میانی: COMA (Counterfactual Multi-Agent Policy Gradient)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری تقویتی چندعامله
• 2. مفاهیم پایه یادگیری تقویتی
• 3. عامل‌ها در سیستم‌های چندعامله
• 4. محیط‌های یادگیری تقویتی چندعامله
• 5. اهداف و پاداش در سناریوهای چندعامله
• 6. مدل‌های همکاری در یادگیری تقویتی چندعامله
• 7. مدل‌های رقابتی در یادگیری تقویتی چندعامله
• 8. مدل‌های ترکیبی (همکاری و رقابت)
• 9. تکنیک‌های یادگیری از طریق مشاهده
• 10. یادگیری تقویتی با عامل‌های مستقل
• 11. چالش‌های یادگیری تقویتی با عامل‌های مستقل
• 12. یادگیری تقویتی با عامل‌های هماهنگ
• 13. مفاهیم بازی در نظریه بازی‌ها
• 14. بازی‌های با مجموع صفر
• 15. بازی‌های با مجموع غیرصفر
• 16. تعادل نش و کاربردهای آن
• 17. یادگیری تقویتی مبتنی بر نظریه بازی‌ها
• 18. مفهوم پادفکت (Counterfactual)
• 19. پادفکت در یادگیری تقویتی
• 20. یادگیری تقویتی پادفکتیک
• 21. کاربرد پادفکت در تفسیرپذیری
• 22. پادفکت برای ارزیابی سیاست‌ها
• 23. مقدمه‌ای بر شبکه‌های عصبی عمیق
• 24. شبکه‌های عصبی کانولوشنی (CNN)
• 25. شبکه‌های عصبی بازگشتی (RNN)
• 26. شبکه‌های عصبی ترنسفورمر
• 27. تکنیک‌های یادگیری عمیق در یادگیری تقویتی
• 28. یادگیری عمیق تقویتی (Deep RL)
• 29. الگوریتم‌های یادگیری عمیق تقویتی
• 30. Q-Learning عمیق
• 31. Actor-Critic عمیق
• 32. Policy Gradient عمیق
• 33. یادگیری تقویتی چندعامله با شبکه‌های عصبی
• 34. مدل‌های مبتنی بر فاکتورگیری
• 35. مدل‌های مبتنی بر مرکزیت
• 36. مدل‌های مبتنی بر تمرکز (Attention)
• 37. مدل‌های مبتنی بر جداسازی متغیرها
• 38. الگوریتم‌های یادگیری تقویتی چندعامله عمیق
• 39. MADDPG (Multi-Agent Deep Deterministic Policy Gradient)
• 40. COMA (Counterfactual Multi-Agent)
• 41. IQL (Independent Q-Learning)
• 42. VDN (Value Decomposition Networks)
• 43. QMIX (Q-value Mixing)
• 44. NAF (Normalized Advantage Functions)
• 45. MAPPO (Multi-Agent Proximal Policy Optimization)
• 46. رویکردهای مبتنی بر پادفکت در COMA
• 47. محاسبه پادفکت در COMA
• 48. تابع ارزش پادفکتیک
• 49. استفاده از پادفکت برای کاهش عدم قطعیت
• 50. ارزیابی سیاست‌ها با رویکرد پادفکت
• 51. مدل‌سازی محیط با رویکرد پادفکت
• 52. یادگیری تقویتی چندعامله در رباتیک
• 53. کنترل ربات‌های خودمختار
• 54. هماهنگی ربات‌ها در انبارها
• 55. مسیریابی ربات‌ها
• 56. رباتیک جمعی
• 57. یادگیری تقویتی چندعامله در بازی‌ها
• 58. هوش مصنوعی در بازی‌های ویدئویی
• 59. بازی‌های استراتژیک چندعامله
• 60. شبیه‌سازی نبرد
• 61. یادگیری تقویتی چندعامله در سیستم‌های توزیع‌شده
• 62. مدیریت منابع در شبکه‌های توزیع‌شده
• 63. بهینه‌سازی ترافیک شبکه
• 64. سیستم‌های توصیه‌گر چندعامله
• 65. شبکه‌های هوشمند برق
• 66. یادگیری تقویتی چندعامله در مالی
• 67. معاملات خودکار سهام
• 68. مدیریت پرتفوی چندعامله
• 69. بهینه‌سازی استراتژی‌های معاملاتی
• 70. یادگیری تقویتی چندعامله در حمل و نقل
• 71. مدیریت جریان ترافیک شهری
• 72. بهینه‌سازی ناوگان وسایل نقلیه
• 73. سیستم‌های حمل و نقل هوشمند
• 74. یادگیری تقویتی چندعامله در سلامت
• 75. مدیریت منابع بیمارستانی
• 76. طراحی پروتکل‌های درمانی
• 77. یادگیری تقویتی چندعامله در رباتیک پزشکی
• 78. یادگیری تقویتی چندعامله در آموزش
• 79. شبیه‌سازهای آموزشی تعاملی
• 80. سیستم‌های یادگیری تطبیقی
• 81. یادگیری تقویتی چندعامله در امنیت سایبری
• 82. تشخیص نفوذ چندعامله
• 83. مدیریت بحران سایبری
• 84. یادگیری تقویتی چندعامله در کشاورزی
• 85. مدیریت هوشمند مزارع
• 86. بهینه‌سازی مصرف منابع کشاورزی
• 87. یادگیری تقویتی چندعامله در محیط زیست
• 88. مدیریت منابع طبیعی
• 89. پایش و کنترل آلودگی
• 90. یادگیری تقویتی چندعامله در شهرهای هوشمند
• 91. بهینه‌سازی مصرف انرژی
• 92. مدیریت پسماند هوشمند
• 93. سیستم‌های اضطراری هوشمند
• 94. یادگیری تقویتی چندعامله در مخابرات
• 95. مدیریت کیفیت سرویس
• 96. بهینه‌سازی تخصیص منابع
• 97. شبکه‌های ارتباطی نسل آینده
• 98. یادگیری تقویتی چندعامله در لجستیک
• 99. بهینه‌سازی زنجیره تأمین
• 100. مدیریت انبارداری هوشمند