فلش‌کارت‌های آموزشی یادگیری تقویتی چندعامله با رویکرد تعاونی: از نظریه تا عمل

📚 کتاب آموزشی جامع

📚 اطلاعات کتاب

عنوان کتاب: کتاب یادگیری تقویتی چندعامله با رویکرد تعاونی: از نظریه تا عمل

موضوع کلی: یادگیری تقویتی چندعامله (MARL)

موضوع میانی: همکاری (Cooperative MARL)

📋 سرفصل‌های کتاب (100 موضوع)

• 1. مقدمه ای بر یادگیری تقویتی چندعامله
• 2. مفاهیم اساسی یادگیری تقویتی
• 3. ماموریت های یادگیری تقویتی
• 4. عامل ها، محیط، حالت، عمل، پاداش
• 5. فرایند تصمیم گیری مارکوف (MDP)
• 6. MDP های گسسته و پیوسته
• 7. مفهوم سیاست
• 8. سیاست های بهینه
• 9. تابع ارزش
• 10. تابع ارزش حالت
• 11. تابع ارزش عمل-حالت
• 12. معادلات بلمن
• 13. تکامل تابع ارزش
• 14. روش های مبتنی بر ارزش
• 15. یادگیری Q
• 16. یادگیری Q ساده
• 17. یادگیری Q عمیق (DQN)
• 18. معماری شبکه عصبی برای DQN
• 19. حافظه بازپخش
• 20. هدف‌گیری شبکه
• 21. یادگیری تقویتی بدون مدل
• 22. یادگیری تقویتی با مدل
• 23. روش های مبتنی بر سیاست
• 24. گرادیان سیاست
• 25. روش Actor-Critic
• 26. روش Actor-Critic عمیق
• 27. روش های ترکیبی
• 28. مقدمه ای بر یادگیری تقویتی چندعامله (MARL)
• 29. تفاوت های MARL با RL تک عامله
• 30. چالش های MARL
• 31. غیر ایستا بودن محیط
• 32. ناسازگاری داده های آموزشی
• 33. مسئله هماهنگی
• 34. مسئله ارتباطات
• 35. مسئله ناشناختگی عاملهای دیگر
• 36. رویکردهای کلی در MARL
• 37. رویکردهای متمرکز
• 38. رویکردهای غیرمتمرکز
• 39. رویکردهای ترکیبی (متمرکز-غیرمتمرکز)
• 40. یادگیری تقویتی تعاونی
• 41. تعریف یادگیری تقویتی تعا
• 42. هدف در یادگیری تقویتی تعا
• 43. پاداش مشترک
• 44. پاداش تفکیک شده
• 45. چالش های یادگیری تقویتی تعا
• 46. هماهنگی در عامل های تعا
• 47. کشف هماهنگی
• 48. یادگیری هماهنگی
• 49. روش های یادگیری تقویتی تعا
• 50. روش های مبتنی بر ارزش در MARL تعا
• 51. Q-learning متمرکز
• 52. Value Decomposition Networks (VDN)
• 53. QMIX
• 54. CommNet
• 55. MADDPG
• 56. IQL (Independent Q-Learning)
• 57. I-DQN (Independent Deep Q-Learning)
• 58. I-AC (Independent Actor-Critic)
• 59. روش های مبتنی بر سیاست در MARL تعا
• 60. Policy Gradient متمرکز
• 61. Policy Gradient غیرمتمرکز
• 62. روش های مبتنی بر ارتباطات
• 63. ارتباطات صریح
• 64. ارتباطات ضمنی
• 65. یادگیری پروتکل های ارتباطی
• 66. ارتباطات مبتنی بر پیام
• 67. ارتباطات مبتنی بر سیگنال
• 68. روش های مبتنی بر عامل های شبیه سازی شده
• 69. یادگیری مدل عامل های دیگر
• 70. پیش بینی رفتار عامل های دیگر
• 71. استفاده از مدل عامل های دیگر در تصمیم گیری
• 72. روش های مبتنی بر تفکیک پاداش
• 73. طراحی توابع پاداش تفکیک شده
• 74. یادگیری نحوه تفکیک پاداش
• 75. روش های مبتنی بر ساختار عامل ها
• 76. یادگیری سلسله مراتبی
• 77. یادگیری مبتنی بر نقش
• 78. یادگیری مبتنی بر وظیفه
• 79. کاربردها و مطالعات موردی MARL تعا
• 80. بازی ها
• 81. رباتیک
• 82. سیستم های خودران
• 83. مدیریت منابع
• 84. شبکه های هوشمند
• 85. شبکه های حسگر
• 86. سیستم های توزیع شده
• 87. ملاحظات عملی در پیاده سازی MARL تعا
• 88. انتخاب معماری مناسب
• 89. تنظیم هایپرپارامترها
• 90. تحلیل پایداری
• 91. قابلیت تعمیم
• 92. مقیاس پذیری
• 93. ابزارها و کتابخانه ها
• 94. TensorFlow Agents
• 95. PyMARL
• 96. OpenSpiel
• 97. RLlib
• 98. فریم ورک های شبیه سازی
• 99. پیاده سازی یک مثال عملی
• 100. آموزش عامل ها در یک محیط تعا