فلش‌کارت‌های آموزشی یادگیری تقویتی چندعامله: الگوریتم‌ها، تکنیک‌ها و پیاده‌سازی برای بازی‌های استراتژیک

📚 کتاب آموزشی جامع

📚 اطلاعات کتاب

عنوان کتاب: کتاب یادگیری تقویتی چندعامله: الگوریتم‌ها، تکنیک‌ها و پیاده‌سازی برای بازی‌های استراتژیک

موضوع کلی: یادگیری تقویتی چندعامله (MARL)

موضوع میانی: یادگیری تقویتی چندعامله برای بازی‌های استراتژیک پیچیده

📋 سرفصل‌های کتاب (100 موضوع)

• 1. مقدمه ای بر یادگیری تقویتی چندعامله
• 2. مبانی یادگیری تقویتی
• 3. مفهوم عامل
• 4. مفهوم محیط
• 5. حالت، عمل، پاداش
• 6. فرایند تصمیم گیری مارکوف (MDP)
• 7. پاداش تجمعی
• 8. تابع ارزش
• 9. تابع سیاست
• 10. الگوریتم های یادگیری تقویتی تک عامله
• 11. یادگیری Q
• 12. یادگیری Deep Q (DQN)
• 13. یادگیری سیاست گرادیان (Policy Gradient)
• 14. Actor-Critic
• 15. مقدمه ای بر یادگیری تقویتی چندعامله (MARL)
• 16. تفاوت های MARL با RL تک عامله
• 17. چالش های MARL
• 18. همکاری در مقابل رقابت
• 19. همگام سازی و عدم همگام سازی
• 20. محیط های MARL
• 21. بازی های استراتژیک
• 22. مفهوم بازی
• 23. انواع بازی ها (همکاری، رقابتی، مختلط)
• 24. بازی های صفر و یک
• 25. بازی های با مجموع غیرصفر
• 26. بازی های پویا
• 27. بازی های با اطلاعات کامل و ناقص
• 28. بازی های با اطلاعات همزمان و متوالی
• 29. مفاهیم کلیدی در بازی های استراتژیک
• 30. استراتژی ها
• 31. تعادل نش (Nash Equilibrium)
• 32. بهترین پاسخ (Best Response)
• 33. ساختارهای تصمیم گیری
• 34. انواع استراتژی ها در بازی های استراتژیک
• 35. استراتژی های خالص و مختلط
• 36. استراتژی های متوالی
• 37. استراتژی های تطبیقی
• 38. الگوریتم های MARL برای بازی های استراتژیک
• 39. روش های مبتنی بر تعادل
• 40. محاسبه تعادل نش در بازی های متناهی
• 41. الگوریتم های یافتن تعادل نش
• 42. روش های مبتنی بر یادگیری
• 43. یادگیری Q چندعامله (Multi-Agent Q-Learning)
• 44. یادگیری Q مشترک (Joint Q-Learning)
• 45. یادگیری Q مستقل (Independent Q-Learning - IQL)
• 46. چالش های IQL
• 47. روش های مبتنی بر سیاست
• 48. یادگیری سیاست گرادیان چندعامله
• 49. Actor-Critic چندعامله
• 50. روش های مبتنی بر مدل
• 51. یادگیری مدل محیط مشترک
• 52. یادگیری مدل های مجزا
• 53. پیاده سازی الگوریتم های MARL
• 54. انتخاب زبان برنامه نویسی
• 55. کتابخانه ها و فریمورک های مفید
• 56. OpenAI Gym
• 57. PettingZoo
• 58. RLlib
• 59. TensorFlow
• 60. PyTorch
• 61. محیط های شبیه سازی بازی های استراتژیک
• 62. StarCraft II
• 63. AlphaStar
• 64. Overcooked
• 65. Hanabi
• 66. سایر محیط های بازی
• 67. طراحی معماری شبکه عصبی برای MARL
• 68. شبکه های کانولوشنال (CNN)
• 69. شبکه های بازگشتی (RNN)
• 70. شبکه های ترنسفورمر (Transformer)
• 71. شبکه های گراف عصبی (GNN)
• 72. نحوه ترکیب شبکه های عصبی در MARL
• 73. تکنیک های پیشرفته در MARL
• 74. تجزیه و تحلیل عامل (Agent Abstraction)
• 75. تجزیه و تحلیل محیط (Environment Abstraction)
• 76. ارتباطات بین عامل ها (Agent Communication)
• 77. یادگیری ارتباطات
• 78. پروتکل های ارتباطی
• 79. یادگیری تطبیقی (Adaptive Learning)
• 80. یادگیری فدرال (Federated Learning) در MARL
• 81. یادگیری تقویتی توزیع شده (Distributed MARL)
• 82. استراتژی های اکتشاف (Exploration Strategies) در MARL
• 83. استراتژی های رقابتی (Competition Strategies)
• 84. استراتژی های همکاری (Cooperation Strategies)
• 85. استراتژی های تعادل (Equilibrium Strategies)
• 86. روش های کاهش ابعاد در MARL
• 87. روش های افزایش داده (Data Augmentation) در MARL
• 88. تکنیک های تنظیم هایپرپارامتر (Hyperparameter Tuning)
• 89. اعتبارسنجی و ارزیابی مدل های MARL
• 90. معیارهای ارزیابی در بازی های استراتژیک
• 91. مقایسه عملکرد الگوریتم ها
• 92. تحلیل حساسیت (Sensitivity Analysis)
• 93. کاربردهای MARL در بازی های استراتژیک
• 94. بازی های کامپیوتری
• 95. بازی های رومیزی
• 96. شبیه سازی های استراتژیک
• 97. تحلیل رفتار انسانی در بازی ها
• 98. پیش بینی رفتار بازیکنان
• 99. طراحی سیستم های بازی هوشمند
• 100. توسعه ربات های بازیگر