فلش‌کارت‌های آموزشی طراحی استراتژی‌های سازگارانه با استفاده از یادگیری تقویتی چندعامله

📚 کتاب آموزشی جامع

📚 اطلاعات کتاب

عنوان کتاب: کتاب طراحی استراتژی‌های سازگارانه با استفاده از یادگیری تقویتی چندعامله

موضوع کلی: یادگیری تقویتی چندعامله (MARL)

موضوع میانی: یادگیری تقویتی چندعامله برای استراتژی‌های مدیریت اطلاعات برنامه‌ریزی

📋 سرفصل‌های کتاب (100 موضوع)

• 1. مقدمه ای بر یادگیری تقویتی چند عامله
• 2. مبانی یادگیری تقویتی
• 3. مفاهیم یادگیری تقویتی کلاسیک
• 4. ماشین های بولتزمن
• 5. شبکه های عصبی
• 6. شبکه های عصبی کانولوشنال
• 7. شبکه های عصبی بازگشتی
• 8. شبکه های عصبی ترنسفورمر
• 9. یادگیری عمیق
• 10. مقدمه ای بر یادگیری تقویتی چند عامله
• 11. تعریف یادگیری تقویتی چند عامله
• 12. مزایای یادگیری تقویتی چند عامله
• 13. کاربردهای یادگیری تقویتی چند عامله
• 14. چالش های یادگیری تقویتی چند عامله
• 15. مقدمه ای بر استراتژی های سازگارانه
• 16. تعریف استراتژی های سازگارانه
• 17. انواع استراتژی های سازگارانه
• 18. طراحی استراتژی های سازگارانه
• 19. ارزیابی استراتژی های سازگارانه
• 20. کاربردهای استراتژی های سازگارانه
• 21. مقدمه ای بر الگوریتم های یادگیری تقویتی چند عامله
• 22. الگوریتم های مبتنی بر ارزش
• 23. الگوریتم های مبتنی بر سیاست
• 24. الگوریتم های ترکیبی
• 25. الگوریتم های سلسله مراتبی
• 26. الگوریتم های مبتنی بر مدل
• 27. الگوریتم های بدون مدل
• 28. الگوریتم های همکاری
• 29. الگوریتم های رقابتی
• 30. الگوریتم های مختلط
• 31. الگوریتم های مبتنی بر یادگیری عمیق
• 32. الگوریتم های مبتنی بر یادگیری عمیق چند عامله
• 33. الگوریتم های مبتنی بر یادگیری عمیق سازگارانه
• 34. الگوریتم های مبتنی بر یادگیری عمیق چند عامله سازگارانه
• 35. مقدمه ای بر طراحی استراتژی های سازگارانه با استفاده از یادگیری تقویتی چند عامله
• 36. فازهای طراحی استراتژی های سازگارانه
• 37. مرحله ۱: تعریف مسئله و محیط
• 38. مرحله ۲: طراحی تابع پاداش
• 39. مرحله ۳: انتخاب و تنظیم الگوریتم یادگیری تقویتی چند عامله
• 40. مرحله ۴: آموزش عامل ها
• 41. مرحله ۵: ارزیابی و تنظیم استراتژی ها
• 42. مرحله ۶: استقرار و نظارت
• 43. مقدمه ای بر محیط های یادگیری تقویتی چند عامله
• 44. انواع محیط های یادگیری تقویتی چند عامله
• 45. محیط های شبیه سازی شده
• 46. محیط های واقعی
• 47. محیط های گسسته
• 48. محیط های پیوسته
• 49. محیط های پویا
• 50. محیط های ایستا
• 51. محیط های با اطلاعات کامل
• 52. محیط های با اطلاعات ناقص
• 53. محیط های با ارتباطات محدود
• 54. محیط های با ارتباطات کامل
• 55. مقدمه ای بر توابع پاداش در یادگیری تقویتی چند عامله
• 56. اصول طراحی تابع پاداش
• 57. انواع توابع پاداش
• 58. توابع پاداش مستقیم
• 59. توابع پاداش غیرمستقیم
• 60. توابع پاداش مبتنی بر همکاری
• 61. توابع پاداش مبتنی بر رقابت
• 62. توابع پاداش مبتنی بر همکاری و رقابت
• 63. توابع پاداش مبتنی بر اهداف
• 64. توابع پاداش مبتنی بر یادگیری
• 65. مقدمه ای بر انتخاب و تنظیم الگوریتم های یادگیری تقویتی چند عامله
• 66. معیارهای انتخاب الگوریتم
• 67. الگوریتم های مبتنی بر Deep Q-Networks (DQN)
• 68. الگوریتم های مبتنی بر Policy Gradient
• 69. الگوریتم های مبتنی بر Actor-Critic
• 70. الگوریتم های مبتنی بر Multi-Agent Deep Deterministic Policy Gradient (MADDPG)
• 71. الگوریتم های مبتنی بر QMIX
• 72. الگوریتم های مبتنی بر VDN
• 73. تنظیم ابرپارامترها
• 74. مقدمه ای بر آموزش عامل ها
• 75. روش های آموزش
• 76. آموزش موازی
• 77. آموزش توزیع شده
• 78. آموزش مبتنی بر شبیه سازی
• 79. آموزش مبتنی بر تجربه واقعی
• 80. مقدمه ای بر ارزیابی و تنظیم استراتژی ها
• 81. معیارهای ارزیابی
• 82. روش های تنظیم
• 83. تنظیم دستی
• 84. تنظیم خودکار
• 85. تنظیم مبتنی بر یادگیری
• 86. مقدمه ای بر استقرار و نظارت
• 87. روش های استقرار
• 88. روش های نظارت
• 89. مقدمه ای بر کاربردهای عملی
• 90. سیستم های رباتیک
• 91. خودروهای خودران
• 92. شبکه های هوشمند
• 93. بازارهای مالی
• 94. بازی ها
• 95. سیستم های توصیه گر
• 96. مدیریت منابع
• 97. شبکه های ارتباطی
• 98. مقدمه ای بر چالش های پیش رو
• 99. مقیاس پذیری
• 100. ناپایداری