فلش‌کارت‌های آموزشی پرورش عامل‌های هوشمند با MADDPG: رویکردی قطعی و عمیق

📚 کتاب آموزشی جامع

📚 اطلاعات کتاب

عنوان کتاب: کتاب پرورش عامل‌های هوشمند با MADDPG: رویکردی قطعی و عمیق

موضوع کلی: یادگیری تقویتی چندعامله (MARL)

موضوع میانی: MADDPG (Multi-Agent Deep Deterministic Policy Gradient)

📋 سرفصل‌های کتاب (100 موضوع)

• 1. مقدمه به عامل‌های هوشمند
• 2. مقدمه به یادگیری تقویتی
• 3. یادگیری تقویتی تک عاملی
• 4. یادگیری تقویتی چند عاملی (MARL)
• 5. چالش‌های MARL
• 6. مقدمه به MADDPG
• 7. نکات کلیدی MADDPG
• 8. معماری MADDPG
• 9. جزء عامل
• 10. شبکه بازیگر (Actor Network)
• 11. شبکه منتقد (Critic Network)
• 12. شبکه هدف بازیگر (Target Actor Network)
• 13. شبکه هدف منتقد (Target Critic Network)
• 14. فضای عمل (Action Space)
• 15. فضای حالت (State Space)
• 16. تابع پاداش (Reward Function)
• 17. آموزش عامل‌ها
• 18. پخش تجربه (Experience Replay)
• 19. مینی بچ (Mini-batch)
• 20. گرادیان سیاست (Policy Gradient)
• 21. خطای زمانی (Temporal Difference Error)
• 22. تابع هزینه منتقد (Critic Loss Function)
• 23. تابع هزینه بازیگر (Actor Loss Function)
• 24. به‌روزرسانی شبکه‌ها
• 25. نرخ یادگیری (Learning Rate)
• 26. نرخ تخفیف (Discount Rate)
• 27. به‌روزرسانی نرم شبکه‌های هدف (Soft Target Updates)
• 28. استراتژی‌های حریصانه (Greedy Strategies)
• 29. کاوش (Exploration)
• 30. نویز در سیاست (Noise in Policy)
• 31. کاوش مبتنی بر نویز (Noise-based Exploration)
• 32. کاوش مبتنی بر آنتروپی (Entropy-based Exploration)
• 33. پیاده‌سازی MADDPG
• 34. انتخاب چارچوب یادگیری عمیق (Deep Learning Framework)
• 35. TensorFlow
• 36. PyTorch
• 37. Keras
• 38. ساختار کد MADDPG
• 39. مدل‌سازی محیط
• 40. محیط‌های شبیه‌سازی شده
• 41. محیط‌های واقعی
• 42. استفاده از کتابخانه‌های محیطی
• 43. Gymnasium
• 44. PettingZoo
• 45. آماده‌سازی داده‌ها
• 46. نرمال‌سازی داده‌ها (Data Normalization)
• 47. مقیاس‌بندی داده‌ها (Data Scaling)
• 48. تنظیم ابرپارامترها (Hyperparameter Tuning)
• 49. تنظیم نرخ یادگیری
• 50. تنظیم نرخ تخفیف
• 51. تنظیم اندازه مینی بچ
• 52. تنظیم اندازه بافر تجربه
• 53. تنظیم پارامتر به‌روزرسانی نرم
• 54. تنظیم پارامتر نویز کاوش
• 55. تنظیم اندازه شبکه (Network Size)
• 56. تنظیم توابع فعال‌سازی (Activation Functions)
• 57. تنظیم بهینه‌ساز (Optimizer)
• 58. آموزش MADDPG در محیط‌های ساده
• 59. محیط‌های بازی ساده
• 60. بازی سنگ، کاغذ، قیچی (Rock-Paper-Scissors)
• 61. بازی دزد و پلیس (Tag Game)
• 62. بازی تعقیب و گریز (Chase Game)
• 63. تحلیل نتایج در محیط‌های ساده
• 64. تجسم رفتار عامل‌ها
• 65. رسم نمودارهای پاداش
• 66. رسم نمودارهای دقت
• 67. تحلیل میزان کاوش
• 68. آموزش MADDPG در محیط‌های پیچیده‌تر
• 69. رباتیک
• 70. وسیله نقلیه خودران
• 71. سیستم‌های توزیع شده
• 72. شبکه‌های مخابراتی
• 73. آموزش MADDPG در بازی‌های چند نفره
• 74. StarCraft II
• 75. Dota 2
• 76. Multi-Agent Particle Environments (MPE)
• 77. کاربرد MADDPG در رباتیک
• 78. کنترل بازوی رباتیک
• 79. هماهنگی ربات‌ها
• 80. ناوبری ربات‌ها
• 81. کاربرد MADDPG در وسایل نقلیه خودران
• 82. کنترل ترافیک
• 83. سناریوهای برخورد
• 84. بهینه‌سازی مسیر
• 85. کاربرد MADDPG در سیستم‌های توزیع شده
• 86. مدیریت منابع
• 87. تعادل بار (Load Balancing)
• 88. کاربرد MADDPG در شبکه‌های مخابراتی
• 89. مدیریت ترافیک شبکه
• 90. بهینه‌سازی تخصیص منابع
• 91. مزایای MADDPG
• 92. رویکرد قطعی (Deterministic Approach)
• 93. قابلیت یادگیری سیاست‌های پیچیده
• 94. عملکرد قوی در محیط‌های پویا
• 95. قابلیت تعمیم (Generalization)
• 96. معایب MADDPG
• 97. نیاز به حجم بالای داده
• 98. حساسیت به ابرپارامترها
• 99. پیچیدگی پیاده‌سازی
• 100. مشکل همگرایی (Convergence Issues)