دوره RLlib: از پایه تا پیشرفته برای توسعه‌دهندگان یادگیری تقویتی چندعامله همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره RLlib: از پایه تا پیشرفته برای توسعه‌دهندگان یادگیری تقویتی چندعامله

موضوع کلی: یادگیری تقویتی چندعامله (MARL)

موضوع میانی: RLlib

📋 سرفصل‌های دوره

• 1. مقدمه ای بر یادگیری تقویتی چند عامله
• 2. مفاهیم بنیادی یادگیری تقویتی
• 3. عامل ها و محیط در یادگیری تقویتی
• 4. تابع پاداش و تابع ارزش
• 5. الگوریتم های یادگیری تقویتی تک عامله
• 6. یادگیری Q-learning
• 7. یادگیری Deep Q-Network (DQN)
• 8. یادگیری Policy Gradient
• 9. الگوریتم Actor-Critic
• 10. معرفی RLlib
• 11. نصب و راه اندازی RLlib
• 12. ساختار کلی RLlib
• 13. تنظیمات و پیکربندی RLlib
• 14. محیط های استاندارد برای یادگیری تقویتی
• 15. استفاده از محیط های OpenAI Gym در RLlib
• 16. تطبیق محیط های سفارشی با RLlib
• 17. تعریف عامل ها در RLlib
• 18. انواع عامل های موجود در RLlib
• 19. پیاده سازی عامل های سفارشی
• 20. آموزش عامل ها در RLlib
• 21. تنظیم پارامترهای آموزش
• 22. نظارت بر فرآیند آموزش
• 23. مدیریت آزمایشات آموزشی
• 24. ذخیره و بارگذاری مدل های آموزش دیده
• 25. ارزیابی عملکرد عامل ها
• 26. متریک های ارزیابی در یادگیری تقویتی
• 27. استفاده از ابزارهای تجسمی RLlib
• 28. یادگیری تقویتی چند عامله (MARL)
• 29. چالش های یادگیری تقویتی چند عامله
• 30. همکاری و رقابت در MARL
• 31. هماهنگی بین عامل ها
• 32. استراتژی های ارتباطی بین عامل ها
• 33. مدل های یادگیری تقویتی چند عامله
• 34. مرور الگوریتم های MARL
• 35. الگوریتم های مبتنی بر ارزش در MARL
• 36. الگوریتم های مبتنی بر سیاست در MARL
• 37. الگوریتم های مبتنی بر عامل مرکزی در MARL
• 38. الگوریتم های مبتنی بر عامل تجزیه پذیر در MARL
• 39. معرفی الگوریتم های MARL در RLlib
• 40. PPO در سناریوهای چند عامله
• 41. A3C در سناریوهای چند عامله
• 42. DDPG در سناریوهای چند عامله
• 43. MADDPG (Multi-Agent Deep Deterministic Policy Gradient)
• 44. QMIX (Value Decomposition Networks)
• 45. VDN (Value Decomposition Networks)
• 46. IQL (Independent Q-Learning)
• 47. COMA (Counterfactual Multi-Agent Policy Gradients)
• 48. استفاده از الگوریتم های MARL در RLlib
• 49. پیاده سازی سناریوهای همکاری
• 50. پیاده سازی سناریوهای رقابتی
• 51. پیاده سازی سناریوهای ترکیبی
• 52. تنظیمات پیشرفته برای MARL در RLlib
• 53. نظارت بر عامل های متعدد
• 54. ارزیابی تعاملات بین عامل ها
• 55. استفاده از ابزارهای تجسمی برای MARL
• 56. کاربردهای یادگیری تقویتی چند عامله
• 57. مدیریت ترافیک شهری با MARL
• 58. رباتیک و اتوماسیون صنعتی با MARL
• 59. بازی های ویدئویی و شبیه سازی ها با MARL
• 60. سیستم های توصیه گر چند عامله
• 61. مدیریت منابع در شبکه های توزیع شده
• 62. بازارهای خودکار و معاملات الگوریتمی
• 63. تحلیل و پیش بینی رفتارهای جمعی
• 64. پروژه های عملی با RLlib
• 65. طراحی یک سیستم مدیریت ترافیک
• 66. شبیه سازی ربات های انباردار
• 67. توسعه یک عامل بازی چند نفره
• 68. ساخت یک سیستم توصیه گر پویا
• 69. پیاده سازی مدیریت بهینه منابع شبکه
• 70. بهینه سازی استراتژی های معاملاتی
• 71. تحلیل رفتار جمعی در سیستم های اجتماعی
• 72. نکات و ترفندهای پیشرفته در RLlib
• 73. اشکال زدایی مدل های MARL
• 74. بهبود پایداری و همگرایی در MARL
• 75. مقیاس پذیری الگوریتم های MARL
• 76. مدیریت داده ها در سناریوهای MARL
• 77. استفاده از سخت افزار موازی
• 78. بهینه سازی کد برای عملکرد بهتر
• 79. مطالعه موردی: بازی StarCraft II
• 80. معرفی بازی StarCraft II به عنوان یک چالش MARL
• 81. استفاده از PySC2 با RLlib
• 82. آموزش عامل ها برای StarCraft II
• 83. چالش ها و راهکارها در StarCraft II
• 84. مطالعه موردی: رباتیک در انبار
• 85. طراحی محیط انبار با استفاده از MuJoCo
• 86. آموزش ربات ها برای وظایف انبارداری
• 87. بهینه سازی مسیر و جابجایی کالا
• 88. مطالعه موردی: سیستم های توصیه گر
• 89. طراحی یک سیستم توصیه گر چند عامله
• 90. مدل سازی تعاملات کاربر و توصیه گر
• 91. ارزیابی کیفیت توصیه ها
• 92. آینده یادگیری تقویتی چند عامله
• 93. روندهای تحقیقاتی جدید در MARL
• 94. چالش های اخلاقی و اجتماعی MARL
• 95. کاربردهای نوظهور MARL
• 96. توسعه بیشتر RLlib
• 97. پیشرفت های آتی در RLlib
• 98. منابع تکمیلی برای یادگیری بیشتر