فلش‌کارت‌های آموزشی روش‌های یادگیری تطبیقی برای عامل مستقل در MARL

📚 کتاب آموزشی جامع

📚 اطلاعات کتاب

عنوان کتاب: کتاب روش‌های یادگیری تطبیقی برای عامل مستقل در MARL

موضوع کلی: یادگیری تقویتی چندعامله (MARL)

موضوع میانی: روش‌های مبتنی بر عامل مستقل (Independent Agent Methods)

📋 سرفصل‌های کتاب (100 موضوع)

• 1. مقدمه به یادگیری تقویتی چند عامله (MARL)
• 2. تعریف عامل مستقل
• 3. چالش‌های عامل مستقل در MARL
• 4. تمایز بین عامل مستقل و هماهنگ
• 5. اهداف یادگیری تطبیقی در عامل مستقل
• 6. مفاهیم کلیدی یادگیری تطبیقی
• 7. یادگیری تطبیقی در مقابل یادگیری مبتنی بر مدل
• 8. یادگیری تطبیقی در مقابل یادگیری بدون نظارت
• 9. یادگیری تطبیقی در مقابل یادگیری نیمه نظارت شده
• 10. مقدمه به یادگیری تطبیقی
• 11. مفهوم تابع ارزش Q
• 12. مفهوم تابع ارزش V
• 13. مفهوم سیاست (Policy)
• 14. مقدمه به یادگیری تطبیقی برای عامل مستقل
• 15. یادگیری تطبیقی مبتنی بر ارزش
• 16. یادگیری تطبیقی مبتنی بر سیاست
• 17. یادگیری تطبیقی ترکیبی
• 18. مقدمه به الگوریتم‌های یادگیری تطبیقی
• 19. الگوریتم Q-Learning
• 20. الگوریتم SARSA
• 21. الگوریتم Policy Gradient
• 22. الگوریتم Actor-Critic
• 23. تطبیق Q-Learning برای عامل مستقل
• 24. چالش‌های Q-Learning در محیط‌های چند عامله
• 25. تکنیک‌های تطبیق Q-Learning
• 26. Deep Q-Networks (DQN)
• 27. Double DQN
• 28. Dueling DQN
• 29. Prioritized Experience Replay
• 30. Multi-step learning
• 31. تطبیق SARSA برای عامل مستقل
• 32. چالش‌های SARSA در محیط‌های چند عامله
• 33. تکنیک‌های تطبیق SARSA
• 34. تطبیق Policy Gradient برای عامل مستقل
• 35. چالش‌های Policy Gradient در محیط‌های چند عامله
• 36. تکنیک‌های تطبیق Policy Gradient
• 37. REINFORCE
• 38. Actor-Critic (A2C)
• 39. Asynchronous Advantage Actor-Critic (A3C)
• 40. Proximal Policy Optimization (PPO)
• 41. Trust Region Policy Optimization (TRPO)
• 42. تطبیق Actor-Critic برای عامل مستقل
• 43. چالش‌های Actor-Critic در محیط‌های چند عامله
• 44. تکنیک‌های تطبیق Actor-Critic
• 45. Deep Deterministic Policy Gradient (DDPG)
• 46. Twin Delayed Deep Deterministic Policy Gradient (TD3)
• 47. Soft Actor-Critic (SAC)
• 48. مقدمه به یادگیری تطبیقی با استفاده از شبکه‌های عصبی عمیق
• 49. نقش شبکه‌های عصبی عمیق در MARL
• 50. معماری‌های شبکه‌های عصبی برای عامل مستقل
• 51. شبکه‌های عصبی کانولوشنال (CNN)
• 52. شبکه‌های عصبی بازگشتی (RNN)
• 53. شبکه‌های عصبی ترنسفورمر (Transformer)
• 54. استفاده از CNN در عامل مستقل
• 55. استفاده از RNN در عامل مستقل
• 56. استفاده از Transformer در عامل مستقل
• 57. مقدمه به تکنیک‌های پیشرفته یادگیری تطبیقی برای عامل مستقل
• 58. یادگیری با محیط‌های شبیه‌سازی شده
• 59. یادگیری با داده‌های واقعی
• 60. یادگیری با انتقال (Transfer Learning)
• 61. یادگیری با تقلب (Imitation Learning)
• 62. یادگیری با تقلب از یک عامل مسلط
• 63. یادگیری با تقلب از چندین عامل
• 64. یادگیری با تقلب برای کاهش وابستگی به داده‌های برچسب‌دار
• 65. یادگیری با انتقال از یک وظیفه به وظیفه دیگر
• 66. یادگیری با انتقال بین محیط‌های مشابه
• 67. یادگیری با انتقال برای تسریع فرآیند یادگیری
• 68. یادگیری تقویتی خودگانه (Self-Play)
• 69. کاربرد Self-Play در بازی‌های دو نفره
• 70. کاربرد Self-Play در بازی‌های چند نفره
• 71. چالش‌های Self-Play
• 72. یادگیری تقویتی مبتنی بر نظریه بازی‌ها
• 73. مفهوم تعادل نش (Nash Equilibrium)
• 74. مفهوم تعادل کورنو (Cournot Equilibrium)
• 75. کاربرد نظریه بازی‌ها در عامل مستقل
• 76. یادگیری مبتنی بر رویداد (Event-Driven Learning)
• 77. استفاده از رویدادها برای هدایت یادگیری
• 78. مدل‌سازی رویدادها
• 79. واکنش به رویدادها
• 80. یادگیری تطبیقی مبتنی بر مدل پیش‌بین (Predictive Model-Based Learning)
• 81. ساخت مدل محیط
• 82. استفاده از مدل برای برنامه‌ریزی
• 83. یادگیری تطبیقی در محیط‌های پویا
• 84. چالش‌های محیط‌های پویا
• 85. تکنیک‌های سازگاری با محیط‌های پویا
• 86. یادگیری تطبیقی در محیط‌های با عدم قطعیت
• 87. چالش‌های عدم قطعیت
• 88. تکنیک‌های مقابله با عدم قطعیت
• 89. یادگیری تطبیقی در محیط‌های با مشاهدات ناقص
• 90. چالش‌های مشاهدات ناقص
• 91. تکنیک‌های یادگیری با مشاهدات ناقص
• 92. یادگیری تطبیقی برای عامل مستقل در رباتیک
• 93. کاربرد در ربات‌های متحرک
• 94. کاربرد در بازوهای رباتیک
• 95. کاربرد در ربات‌های پرنده
• 96. یادگیری تطبیقی برای عامل مستقل در بازی‌ها
• 97. کاربرد در بازی‌های تخته‌ای
• 98. کاربرد در بازی‌های ویدیویی
• 99. یادگیری تطبیقی برای عامل مستقل در سیستم‌های توصیه‌گر
• 100. کاربرد در توصیه‌گرهای شخصی‌سازی شده