فلش‌کارت‌های آموزشی شبکه‌های عصبی کانولوشنی برای تعامل عامل و محیط در MARL

📚 کتاب آموزشی جامع

📚 اطلاعات کتاب

عنوان کتاب: کتاب شبکه‌های عصبی کانولوشنی برای تعامل عامل و محیط در MARL

موضوع کلی: یادگیری تقویتی چندعامله (MARL)

موضوع میانی: شبکه‌های عصبی کانولوشنی (CNN)

📋 سرفصل‌های کتاب (100 موضوع)

• 1. مقدمه ای بر یادگیری تقویتی چند عامله
• 2. مبانی یادگیری تقویتی
• 3. مفهوم عامل
• 4. مفهوم محیط
• 5. تابع پاداش
• 6. تابع سیاست
• 7. تابع ارزش
• 8. یادگیری بدون مدل
• 9. یادگیری با مدل
• 10. یادگیری آفلاین
• 11. یادگیری آنلاین
• 12. مقدمه ای بر شبکه های عصبی
• 13. شبکه های عصبی پایه
• 14. لایه های متراکم
• 15. توابع فعال سازی
• 16. پس انتشار
• 17. بهینه سازی گرادیان نزولی
• 18. مقدمه ای بر شبکه های عصبی کانولوشنی (CNN)
• 19. مفهوم کانولوشن
• 20. فیلترها (هسته ها)
• 21. نقشه های ویژگی
• 22. لایه های پولینگ
• 23. لایه های تمام متصل
• 24. کاربردهای CNN در بینایی ماشین
• 25. یادگیری تقویتی چند عامله (MARL)
• 26. چالش های MARL
• 27. دینامیک غیر ایستا
• 28. عدم قطعیت مدل
• 29. مقیاس پذیری
• 30. همکاری و رقابت
• 31. مقدمه ای بر CNN در MARL
• 32. چرا CNN در MARL؟
• 33. پردازش ورودی های تصویری
• 34. استخراج ویژگی های فضایی
• 35. افزایش کارایی
• 36. معماری های CNN برای MARL
• 37. CNN های پایه برای ورودی های تصویری
• 38. CNN های پیچیده تر
• 39. شبکه های کانولوشنی عمیق
• 40. شبکه های کانولوشنی کاملاً کانولوشنی
• 41. شبکه های کانولوشنی با اتصالات باقی مانده (Residual Connections)
• 42. شبکه های کانولوشنی با اتصالات متراکم (Dense Connections)
• 43. استفاده از CNN در لایه سیاست
• 44. استفاده از CNN در لایه ارزش
• 45. استفاده از CNN برای ادغام اطلاعات عامل ها
• 46. معماری های CNN برای تعامل عامل و محیط
• 47. CNN های مستقل برای هر عامل
• 48. CNN های مشترک برای عامل ها
• 49. CNN های سلسله مراتبی
• 50. CNN های مبتنی بر توجه (Attention-based CNNs)
• 51. مکانیزم های توجه فضایی
• 52. مکانیزم های توجه زمانی
• 53. مکانیزم های توجه مبتنی بر عامل
• 54. شبکه های عصبی کانولوشنی برای ادراک عامل
• 55. پردازش ورودی های حسگر تصویری
• 56. شناسایی اشیاء در محیط
• 57. تخمین موقعیت اشیاء
• 58. درک صحنه
• 59. استفاده از CNN برای یادگیری نمایش های فضایی
• 60. یادگیری نمایش های compact از محیط
• 61. یادگیری نمایش های قابل تعمیم
• 62. یادگیری نمایش های مفید برای تصمیم گیری
• 63. شبکه های عصبی کانولوشنی برای تصمیم گیری عامل
• 64. ترکیب CNN با الگوریتم های MARL
• 65. DDPG (Deep Deterministic Policy Gradient) با CNN
• 66. A3C (Asynchronous Advantage Actor-Critic) با CNN
• 67. QMIX (Q-value Mixing) با CNN
• 68. VDN (Value Decomposition Networks) با CNN
• 69. MADDPG (Multi-Agent Deep Deterministic Policy Gradient) با CNN
• 70. COMA (Counterfactual Multi-Agent Policy Gradients) با CNN
• 71. MAAC (Multi-Agent Actor-Critic) با CNN
• 72. مقایسه معماری های مختلف CNN در MARL
• 73. اثرات معماری CNN بر عملکرد
• 74. انتخاب معماری مناسب برای وظایف خاص
• 75. تنظیم ابرپارامترهای CNN
• 76. تنظیم نرخ یادگیری
• 77. تنظیم اندازه دسته (Batch Size)
• 78. تنظیم عمق شبکه
• 79. تنظیم اندازه فیلترها
• 80. تنظیم استراتژی های منظم سازی (Regularization)
• 81. کاربرد CNN در MARL در محیط های مختلف
• 82. محیط های بازی (مانند StarCraft, Dota 2)
• 83. محیط های رباتیک (مانند کنترل ربات های متحرک)
• 84. محیط های شبیه سازی شده (مانند شبیه سازهای ترافیک)
• 85. محیط های واقعی
• 86. مسائل همکاری در MARL با CNN
• 87. تخصیص وظیفه
• 88. مسیریابی
• 89. هماهنگی
• 90. مسائل رقابتی در MARL با CNN
• 91. بازی های استراتژیک
• 92. بازی های تیمی
• 93. موضوعات پیشرفته در CNN برای MARL
• 94. یادگیری انتقالی (Transfer Learning) در CNN های MARL
• 95. یادگیری تقویتی چند عامله با نظارت جزئی (Partially Observable MARL) با CNN
• 96. یادگیری تقویتی با عدم قطعیت مدل (Model-Based MARL) با CNN
• 97. یادگیری تقویتی با پاداش پراکنده (Sparse Reward MARL) با CNN
• 98. یادگیری تقویتی با عامل های ناهمگن (Heterogeneous Agents) با CNN
• 99. مقیاس پذیری CNN در MARL
• 100. روش های کاهش پیچیدگی محاسباتی CNN