فلش‌کارت‌های آموزشی پیاده‌سازی الگوریتم‌های کلیدی MARL با PyMARL: یک رویکرد کاربردی

📚 کتاب آموزشی جامع

📚 اطلاعات کتاب

عنوان کتاب: کتاب پیاده‌سازی الگوریتم‌های کلیدی MARL با PyMARL: یک رویکرد کاربردی

موضوع کلی: یادگیری تقویتی چندعامله (MARL)

موضوع میانی: PyMARL

📋 سرفصل‌های کتاب (100 موضوع)

• 1. مقدمه به یادگیری تقویتی چند عامله
• 2. مبانی یادگیری تقویتی
• 3. مفاهیم کلیدی: عامل، محیط، حالت، عمل، پاداش، سیاست، تابع ارزش
• 4. تفاوت بین یادگیری تقویتی تک عامله و چند عامله
• 5. چالش‌های یادگیری تقویتی چند عامله
• 6. عدم ایستایی محیط
• 7. نیاز به هماهنگی و رقابت
• 8. مقیاس‌پذیری
• 9. پیچیدگی فضاهای حالت و عمل
• 10. معرفی PyMARL
• 11. چرا PyMARL؟
• 12. مزایای استفاده از PyMARL
• 13. نصب و راه‌اندازی PyMARL
• 14. پیش‌نیازها
• 15. نصب PyMARL
• 16. بررسی نصب
• 17. ساختار کلی PyMARL
• 18. اجزای اصلی PyMARL
• 19. ماژول‌ها و کلاس‌های کلیدی
• 20. مقدمه به محیط‌های MARL
• 21. محیط‌های استاندارد در PyMARL (StarCraft II, SMAC, ...)
• 22. ساخت محیط‌های سفارشی
• 23. تعریف عامل‌ها و تعاملات آن‌ها
• 24. مقدمه به الگوریتم‌های کلیدی MARL
• 25. دسته‌بندی الگوریتم‌های MARL
• 26. الگوریتم‌های مبتنی بر ارزش
• 27. الگوریتم‌های مبتنی بر سیاست
• 28. الگوریتم‌های ترکیبی
• 29. پیاده‌سازی DQN در MARL (VDN)
• 30. مقدمه به VDN
• 31. ساختار VDN
• 32. پیاده‌سازی VDN در PyMARL
• 33. تنظیم پارامترهای VDN
• 34. آموزش و ارزیابی VDN
• 35. پیاده‌سازی QMIX
• 36. مقدمه به QMIX
• 37. معماری QMIX
• 38. تابع ترکیب QMIX
• 39. پیاده‌سازی QMIX در PyMARL
• 40. تنظیم پارامترهای QMIX
• 41. آموزش و ارزیابی QMIX
• 42. پیاده‌سازی COMA
• 43. مقدمه به COMA
• 44. نقد COMA
• 45. معماری COMA
• 46. تابع منتقد COMA
• 47. پیاده‌سازی COMA در PyMARL
• 48. تنظیم پارامترهای COMA
• 49. آموزش و ارزیابی COMA
• 50. پیاده‌سازی MADDPG
• 51. مقدمه به MADDPG
• 52. معماری MADDPG
• 53. نقش منتقد و عامل در MADDPG
• 54. پیاده‌سازی MADDPG در PyMARL
• 55. تنظیم پارامترهای MADDPG
• 56. آموزش و ارزیابی MADDPG
• 57. پیاده‌سازی MAPPO
• 58. مقدمه به MAPPO
• 59. معماری MAPPO
• 60. تفاوت MAPPO با PPO
• 61. پیاده‌سازی MAPPO در PyMARL
• 62. تنظیم پارامترهای MAPPO
• 63. آموزش و ارزیابی MAPPO
• 64. پیاده‌سازی سایر الگوریتم‌های کلیدی
• 65. معرفی الگوریتم‌های دیگر (مانند IQL, QTRAN, ...)
• 66. پیاده‌سازی یک الگوریتم جدید در PyMARL
• 67. مراحل پیاده‌سازی یک الگوریتم جدید
• 68. مدیریت داده‌ها در PyMARL
• 69. جمع‌آوری داده‌ها
• 70. ذخیره‌سازی داده‌ها
• 71. نمونه‌برداری از داده‌ها
• 72. تجزیه و تحلیل نتایج
• 73. مصورسازی نتایج
• 74. معیارهای ارزیابی در MARL
• 75. مقایسه الگوریتم‌ها
• 76. تنظیمات پیشرفته و نکات بهینه‌سازی
• 77. تنظیمات هایپرپارامترها
• 78. جستجوی هایپرپارامتر
• 79. تکنیک‌های منظم‌سازی
• 80. استفاده از GPU
• 81. موازی‌سازی آموزش
• 82. کاربرد PyMARL در مسائل واقعی
• 83. مثال‌های کاربردی (رباتیک، بازی‌ها، شبکه‌ها، ...)
• 84. توسعه پروژه‌های MARL با PyMARL
• 85. ساخت یک پروژه MARL سفارشی
• 86. تلفیق PyMARL با کتابخانه‌های دیگر
• 87. مقدمه‌ای بر یادگیری عمیق در MARL
• 88. شبکه‌های عصبی کانولوشنال (CNN)
• 89. شبکه‌های عصبی بازگشتی (RNN)
• 90. کاربرد CNN و RNN در PyMARL
• 91. مقدمه‌ای بر یادگیری تقویتی توزیع‌شده
• 92. معماری‌های توزیع‌شده
• 93. مزایای یادگیری توزیع‌شده
• 94. چالش‌های یادگیری توزیع‌شده
• 95. استفاده از PyMARL در سناریوهای توزیع‌شده
• 96. مقدمه‌ای بر یادگیری تقویتی با ارتباطات
• 97. انواع ارتباطات بین عامل‌ها
• 98. تکنیک‌های یادگیری تقویتی با ارتباطات
• 99. پیاده‌سازی ارتباطات در PyMARL
• 100. مقدمه‌ای بر یادگیری تقویتی با عدم قطعیت