دوره بهینه‌سازی استراتژی‌ها در بازی‌های گروهی با یادگیری تقویتی چندعامله همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره بهینه‌سازی استراتژی‌ها در بازی‌های گروهی با یادگیری تقویتی چندعامله

موضوع کلی: یادگیری تقویتی چندعامله (MARL)

موضوع میانی: یادگیری تقویتی چندعامله برای بازی‌های استراتژیک پیچیده

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری تقویتی چندعامله
• 2. مبانی نظریه بازی‌ها و کاربرد آن در هوش مصنوعی
• 3. مدل‌های همکاری و رقابت در بازی‌های گروهی
• 4. مفاهیم عامل هوشمند و محیط بازی
• 5. یادگیری عامل منفرد و معرفی روش‌های پایه
• 6. الگوریتم‌های یادگیری تقویتی مبتنی بر ارزش (Value-based)
• 7. یادگیری Q-Learning و توسعه آن
• 8. الگوریتم‌های یادگیری تقویتی مبتنی بر سیاست (Policy-based)
• 9. معرفی روش‌های گرادیان سیاست (Policy Gradient)
• 10. ترکیب روش‌های مبتنی بر ارزش و سیاست
• 11. یادگیری عمیق در یادگیری تقویتی (Deep Reinforcement Learning)
• 12. شبکه‌های عصبی کانولوشنال برای پردازش ورودی‌های تصویری
• 13. شبکه‌های عصبی بازگشتی برای پردازش دنباله‌های زمانی
• 14. معماری‌های یادگیری عمیق تقویتی
• 15. یادگیری تقویتی معکوس (Inverse Reinforcement Learning)
• 16. استخراج تابع پاداش از رفتار مشاهده شده
• 17. کاربرد یادگیری تقویتی معکوس در مهندسی
• 18. مقدمه‌ای بر یادگیری تقویتی چندعامله (MARL)
• 19. چالش‌های کلیدی در MARL: عدم سکون (Non-stationarity)
• 20. چالش‌های کلیدی در MARL: پیچیدگی حالت-عمل
• 21. چالش‌های کلیدی در MARL: ارتباطات بین عامل‌ها
• 22. طبقه‌بندی رویکردهای MARL
• 23. رویکردهای مرکزی (Centralized) در MARL
• 24. رویکردهای غیرمتمرکز (Decentralized) در MARL
• 25. رویکردهای ترکیبی (Hybrid) در MARL
• 26. مدل‌های یادگیری مشترک (Joint Action Learning)
• 27. یادگیری تقویتی با عامل‌های مستقل (Independent Learners)
• 28. مشکل عدم سکون در عامل‌های مستقل
• 29. روش‌های مقابله با عدم سکون در عامل‌های مستقل
• 30. یادگیری مبتنی بر تجربه مشترک (Shared Experience)
• 31. یادگیری با حافظه مشترک (Shared Memory)
• 32. شبکه‌های عصبی متمرکز-غیرمتمرکز (Centralized Training with Decentralized Execution - CTDE)
• 33. معماری‌های MADDPG (Multi-Agent Deep Deterministic Policy Gradient)
• 34. معماری‌های QMIX (Value Decomposition Networks)
• 35. معماری‌های VDN (Value Decomposition Networks)
• 36. معماری‌های COMA (Counterfactual Multi-Agent Policy Gradients)
• 37. استفاده از مدل‌های محیطی در MARL
• 38. یادگیری تقویتی با پیش‌بینی مدل محیط
• 39. کاربرد مدل‌های محیطی در هماهنگی عامل‌ها
• 40. مباحث پیشرفته در MARL: ارتباطات بین عامل‌ها
• 41. مکانیزم‌های ارتباطی یادگیری شده (Learned Communication)
• 42. پروتکل‌های ارتباطی در MARL
• 43. مدل‌سازی عامل‌های دیگر (Opponent Modeling)
• 44. یادگیری مبتنی بر بازی‌های شبیه‌سازی شده
• 45. پیاده‌سازی و ارزیابی مدل‌های MARL
• 46. محیط‌های شبیه‌سازی برای MARL (مانند PettingZoo)
• 47. مجموعه داده‌های استاندارد برای ارزیابی MARL
• 48. معیارهای ارزیابی عملکرد در MARL
• 49. بهینه‌سازی استراتژی‌ها در بازی‌های همکاری
• 50. بهینه‌سازی استراتژی‌ها در بازی‌های رقابتی
• 51. بهینه‌سازی استراتژی‌ها در بازی‌های مختلط
• 52. کاربرد MARL در رباتیک گروهی
• 53. کاربرد MARL در سیستم‌های حمل و نقل هوشمند
• 54. کاربرد MARL در مدیریت منابع انرژی
• 55. کاربرد MARL در بازی‌های رایانه‌ای (مانند StarCraft)
• 56. کاربرد MARL در بازارهای مالی (با رعایت قوانین)
• 57. مباحث اخلاقی در هوش مصنوعی چندعامله
• 58. مسئولیت‌پذیری در سیستم‌های هوشمند گروهی
• 59. امنیت در سیستم‌های هوشمند گروهی
• 60. قابلیت تفسیرپذیری (Explainability) در MARL
• 61. روش‌های یادگیری تقویتی برای مسائل بهینه‌سازی گسسته
• 62. کاربرد MARL در تخصیص منابع
• 63. کاربرد MARL در زمان‌بندی وظایف
• 64. کاربرد MARL در مسیریابی پویا
• 65. رویکردهای یادگیری تقویتی برای مسائل مقیاس‌پذیر
• 66. یادگیری تقویتی با استفاده از تقریب تابع ارزش
• 67. یادگیری تقویتی با استفاده از تقریب تابع سیاست
• 68. تکنیک‌های اکتشاف (Exploration) در MARL
• 69. استراتژی‌های اکتشاف مبتنی بر آنتروپی
• 70. استراتژی‌های اکتشاف مبتنی بر پاداش اضافی
• 71. یادگیری تقویتی بدون ناظر (Unsupervised RL) در MARL
• 72. یادگیری تقویتی با پاداش پراکنده (Sparse Rewards)
• 73. روش‌های افزایش پاداش (Reward Shaping)
• 74. یادگیری تقویتی با مدل‌های احتمالی
• 75. شبکه‌های مولد تخاصمی (GANs) در MARL
• 76. یادگیری تقویتی با استفاده از مدل‌های گراف عصبی (GNNs)
• 77. کاربرد GNNs در نمایش روابط بین عامل‌ها
• 78. یادگیری تقویتی با توجه به ساختار بازی
• 79. یادگیری از طریق تقلید (Imitation Learning) در MARL
• 80. یادگیری از طریق مشاهده (Observation Learning)
• 81. کاربرد MARL در مسائل کنترل توزیع شده
• 82. مباحث پیشرفته در ارتباطات عامل‌ها
• 83. یادگیری ارتباطات با استفاده از شبکه‌های توجه (Attention Mechanisms)
• 84. مدل‌سازی عوامل با توانایی‌های متفاوت
• 85. یادگیری تقویتی در محیط‌های پویا
• 86. انتقال یادگیری (Transfer Learning) در MARL
• 87. یادگیری تقویتی برای مسائل با تعداد عامل‌های متغیر
• 88. کاربرد MARL در سیستم‌های توصیه‌گر (با رعایت چارچوب)
• 89. کاربرد MARL در بهینه‌سازی زنجیره تأمین (با رعایت چارچوب)
• 90. کاربرد MARL در تحلیل رفتار مصرف‌کننده (با رعایت چارچوب)
• 91. مبانی اقتصاد رفتاری در MARL
• 92. مفاهیم نظریه بازی‌ها در اقتصاد (با رعایت چارچوب)
• 93. پیاده‌سازی الگوریتم‌های MARL با فریم‌ورک‌های استاندارد
• 94. برنامه‌نویسی پایتون برای MARL
• 95. کتابخانه‌های پرکاربرد در MARL (مانند Ray RLlib)
• 96. نکات عملی در آموزش مدل‌های MARL
• 97. دیباگ کردن و عیب‌یابی در MARL
• 98. معماری‌های پیشرفته‌تر در CTDE
• 99. روش‌های یادگیری مبتنی بر هماهنگی (Coordination Learning)
• 100. یادگیری تقویتی با در نظر گرفتن محدودیت‌های عملی