فلش‌کارت‌های آموزشی انتخاب و پیاده‌سازی مدل‌های یادگیری تقویتی در کاربردهای عملی MARL

📚 کتاب آموزشی جامع

📚 اطلاعات کتاب

عنوان کتاب: کتاب انتخاب و پیاده‌سازی مدل‌های یادگیری تقویتی در کاربردهای عملی MARL

موضوع کلی: یادگیری تقویتی چندعامله (MARL)

موضوع میانی: مدل‌های یادگیری تقویتی

📋 سرفصل‌های کتاب (100 موضوع)

• 1. مبانی یادگیری تقویتی
• 2. مقدمه ای بر هوش مصنوعی و یادگیری ماشین
• 3. مفاهیم اصلی یادگیری تقویتی (RL)
• 4. عناصر کلیدی RL: عامل، محیط، حالت، عمل، پاداش
• 5. مدل‌های مبتنی بر ارزش
• 6. مدل‌های مبتنی بر سیاست
• 7. مقدمه ای بر یادگیری تقویتی چند عاملی (MARL)
• 8. چالش‌های MARL
• 9. دسته‌بندی محیط‌های MARL
• 10. هماهنگی و رقابت در MARL
• 11. مقدمات ریاضی برای RL و MARL
• 12. جبر خطی
• 13. حساب دیفرانسیل و انتگرال
• 14. احتمال و آمار
• 15. بهینه‌سازی
• 16. مقدمه ای بر یادگیری عمیق
• 17. شبکه‌های عصبی مصنوعی (ANNs)
• 18. شبکه‌های عصبی کانولوشنی (CNNs)
• 19. شبکه‌های عصبی بازگشتی (RNNs)
• 20. شبکه‌های حافظه کوتاه مدت طولانی (LSTMs)
• 21. شبکه‌های حافظه کوتاه مدت (GRUs)
• 22. الگوریتم‌های یادگیری تقویتی کلاسیک
• 23. یادگیری Q (Q-Learning)
• 24. یادگیری Q عمیق (DQN)
• 25. یادگیری Q دوگانه عمیق (DDQN)
• 26. یادگیری Q با اولویت‌بندی تجربه (Prioritized Experience Replay)
• 27. یادگیری Actor-Critic
• 28. الگوریتم‌های Actor-Critic ساده
• 29. یادگیری Actor-Critic با خطای زمانی تفاضلی (TD-Actor-Critic)
• 30. یادگیری Actor-Critic با گرادیان سیاست (Policy Gradient Actor-Critic)
• 31. الگوریتم‌های مبتنی بر گرادیان سیاست
• 32. یادگیری گرادیان سیاست (Policy Gradient)
• 33. REINFORCE
• 34. معرفی الگوریتم‌های پیشرفته‌تر RL
• 35. Proximal Policy Optimization (PPO)
• 36. Trust Region Policy Optimization (TRPO)
• 37. Deep Deterministic Policy Gradient (DDPG)
• 38. Soft Actor-Critic (SAC)
• 39. Asynchronous Advantage Actor-Critic (A3C)
• 40. مقدمه ای بر یادگیری تقویتی چند عاملی (MARL)
• 41. مفاهیم پایه MARL
• 42. فضاهای حالت و عمل مشترک و جداگانه
• 43. پاداش‌های مشترک و جداگانه
• 44. محیط‌های پویا در MARL
• 45. مدل‌های استاندارد MARL
• 46. اتحاد و همکاری در MARL
• 47. راهبردهای همکاری
• 48. ارتباط و تبادل اطلاعات بین عوامل
• 49. یادگیری هماهنگ
• 50. رقابت در MARL
• 51. راهبردهای رقابتی
• 52. بازی‌های مجموع-صفر (Zero-Sum Games)
• 53. بازی‌های غیر مجموع-صفر (Non-Zero-Sum Games)
• 54. تعادل نش (Nash Equilibrium)
• 55. مقدمه ای بر الگوریتم‌های MARL
• 56. Cooperative Q-Learning
• 57. Decentralized Q-Learning
• 58. Independent Q-Learning (IQL)
• 59. Value Decomposition Networks (VDN)
• 60. QMIX
• 61. MADDPG (Multi-Agent Deep Deterministic Policy Gradient)
• 62. COMA (Counterfactual Multi-Agent Policy Gradients)
• 63. MAPPO (Multi-Agent Proximal Policy Optimization)
• 64. اتحاد عوامل در MARL
• 65. یادگیری سیاست‌های مشترک
• 66. استفاده از شبکه‌های عصبی برای مدل‌سازی تعاملات
• 67. راهبردهای ارتباطی بین عوامل
• 68. یادگیری مبتنی بر پیام‌رسانی
• 69. استفاده از شبکه‌های ارتباطی
• 70. رقابت عوامل در MARL
• 71. یادگیری راهبردهای بهینه در محیط‌های رقابتی
• 72. مدل‌سازی رفتار عامل‌های دیگر
• 73. بازی‌های شبیه‌سازی شده برای آموزش
• 74. استفاده از مدل‌های پیش‌بینی رفتار
• 75. محیط‌های ترکیبی (همکاری و رقابت)
• 76. طراحی پاداش برای محیط‌های ترکیبی
• 77. مدل‌سازی انگیزه عوامل
• 78. یادگیری راهبردهای مبتنی بر انگیزه
• 79. پیاده‌سازی مدل‌های MARL
• 80. انتخاب پلتفرم و ابزارها
• 81. TensorFlow
• 82. PyTorch
• 83. OpenAI Gym
• 84. PettingZoo
• 85. SMAC (StarCraft Multi-Agent Challenge)
• 86. انتخاب معماری شبکه عصبی مناسب
• 87. طراحی ساختار عامل‌ها
• 88. طراحی ساختار محیط
• 89. آماده‌سازی داده‌ها و پیش‌پردازش
• 90. تعریف توابع پاداش
• 91. تنظیم ابرپارامترها
• 92. فرآیند آموزش عامل‌ها
• 93. شبیه‌سازی و اجرای مدل‌ها
• 94. ارزیابی عملکرد مدل‌ها
• 95. معیارهای ارزیابی در MARL
• 96. تحلیل حساسیت به پارامترها
• 97. مقایسه با روش‌های پایه
• 98. کاربردهای عملی MARL
• 99. رباتیک و سیستم‌های خودمختار
• 100. کنترل ترافیک