فلش‌کارت‌های آموزشی بهینه‌سازی رفتار عامل‌های هوشمند با یادگیری تقویتی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره بهینه‌سازی رفتار عامل‌های هوشمند با یادگیری تقویتی

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: یادگیری تقویتی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر هوش مصنوعی و یادگیری ماشین
• 2. مبانی یادگیری تقویتی
• 3. مفهوم عامل هوشمند
• 4. محیط عامل هوشمند
• 5. حالت‌ها، اعمال و پاداش‌ها
• 6. فرآیندهای تصمیم‌گیری مارکوف (MDPs)
• 7. معادلات بل‌من
• 8. روش‌های مبتنی بر ارزش
• 9. مقدار حالت (V-value)
• 10. مقدار عمل (Q-value)
• 11. تفاوت بین V-value و Q-value
• 12. الگوریتم‌های یادگیری ارزش
• 13. یادگیری Q-learning
• 14. یادگیری SARSA
• 15. تفاوت Q-learning و SARSA
• 16. روش‌های مبتنی بر سیاست
• 17. سیاست عامل
• 18. نشان دادن سیاست
• 19. بهینه‌سازی سیاست
• 20. روش‌های گرادیان سیاست
• 21. الگوریتم REINFORCE
• 22. روش‌های Actor-Critic
• 23. Actor-Critic ساده
• 24. مزایای Actor-Critic
• 25. الگوریتم A2C (Advantage Actor-Critic)
• 26. الگوریتم A3C (Asynchronous Advantage Actor-Critic)
• 27. یادگیری عمیق تقویتی (Deep RL)
• 28. شبکه‌های عصبی در RL
• 29. یادگیری عمیق Q-learning (DQN)
• 30. شبکه‌های عصبی کانولوشنال در DQN
• 31. شبکه‌های عصبی بازگشتی در DQN
• 32. اتصالات متقابل (Experience Replay)
• 33. هدف‌گذاری تاخیر (Target Networks)
• 34. الگوریتم DQN پیشرفته
• 35. Double DQN
• 36. Dueling DQN
• 37. Prioritized Experience Replay
• 38. Policy Gradient در Deep RL
• 39. Deep Deterministic Policy Gradient (DDPG)
• 40. Trust Region Policy Optimization (TRPO)
• 41. Proximal Policy Optimization (PPO)
• 42. مقایسه PPO و TRPO
• 43. یادگیری تقویتی چندعامله (MARL)
• 44. مفاهیم پایه MARL
• 45. چالش‌های MARL
• 46. انواع هماهنگی در MARL
• 47. مدل‌های همکاری در MARL
• 48. مدل‌های رقابتی در MARL
• 49. مدل‌های مختلط در MARL
• 50. بازی‌های مجموع-صفر
• 51. بازی‌های مجموع-غیرصفر
• 52. تعادل نش (Nash Equilibrium)
• 53. یادگیری تقویتی در رباتیک
• 54. کنترل حرکتی ربات‌ها
• 55. یادگیری تقویتی در خودروهای خودران
• 56. ناوبری خودمختار
• 57. یادگیری تقویتی در بازی‌ها
• 58. مثال‌هایی از RL در بازی‌ها
• 59. یادگیری تقویتی در امور مالی
• 60. معاملات الگوریتمی
• 61. یادگیری تقویتی در بهینه‌سازی منابع
• 62. مدیریت انرژی
• 63. یادگیری تقویتی در پردازش زبان طبیعی
• 64. تنظیم دقیق مدل‌های زبانی
• 65. یادگیری تقویتی در سیستم‌های توصیه‌گر
• 66. بهبود تجربه کاربری
• 67. یادگیری تقویتی در مراقبت‌های بهداشتی
• 68. تشخیص بیماری
• 69. یادگیری تقویتی برای تنظیم پارامترها
• 70. تنظیم هایپرپارامترها
• 71. ارزیابی عامل‌های RL
• 72. معیارهای ارزیابی
• 73. شبیه‌سازی در RL
• 74. محیط‌های شبیه‌سازی استاندارد
• 75. تکنیک‌های اکتشاف
• 76. جستجوی تصادفی
• 77. اکتشاف مبتنی بر آنتروپی
• 78. اکتشاف مبتنی بر پاداش
• 79. اکتشاف مبتنی بر عدم قطعیت
• 80. اهمیت اکتشاف
• 81. کاهش پاداش (Reward Shaping)
• 82. طراحی تابع پاداش
• 83. چالش‌های طراحی پاداش
• 84. یادگیری از طریق تقلید (Imitation Learning)
• 85. یادگیری مبتنی بر مشاهده
• 86. یادگیری مبتنی بر قیاس
• 87. یادگیری تقویتی معکوس (Inverse RL)
• 88. استنتاج ترجیحات عامل
• 89. مدل‌سازی رفتار عامل
• 90. یادگیری تقویتی با دانش پیشین
• 91. استفاده از دانش موجود
• 92. یادگیری تقویتی در سیستم‌های توزیع‌شده
• 93. هماهنگی بین عامل‌ها
• 94. تکنیک‌های پیشرفته در RL
• 95. یادگیری تقویتی مولد
• 96. کاربرد در تولید محتوا
• 97. یادگیری تقویتی برای ربات‌های نرم
• 98. انعطاف‌پذیری در رباتیک
• 99. یادگیری تقویتی در شبکه‌های ارتباطی
• 100. بهینه‌سازی ترافیک