کتاب صوتی یادگیری تقویتی و کنترل پیش‌بین مدل توزیع شده

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره یادگیری تقویتی و کنترل پیش‌بین مدل توزیع شده

موضوع کلی: کنترل پیش بین مدل (MPC)

موضوع میانی: کنترل پیش‌بین مدل توزیع شده

📋 سرفصل‌های دوره

• 1. فصل اول: مقدمه‌ای بر یادگیری تقویتی
• 2. فصل دوم: مفاهیم پایه یادگیری تقویتی
• 3. فصل سوم: مدل‌های مارکوف تصمیم‌گیری (MDP)
• 4. فصل چهارم: تابع ارزش و تابع بهینه عمل
• 5. فصل پنجم: الگوریتم‌های ارزش‌گذاری و بهبود سیاست
• 6. فصل ششم: یادگیری بدون مدل: Q-Learning
• 7. فصل هفتم: یادگیری بدون مدل: SARSA
• 8. فصل هشتم: یادگیری با مدل: Value Iteration
• 9. فصل نهم: یادگیری با مدل: Policy Iteration
• 10. فصل دهم: سیاست‌های گرادیان
• 11. فصل یازدهم: الگوریتم‌های Actor-Critic
• 12. فصل دوازدهم: Deep Q-Networks (DQN)
• 13. فصل سیزدهم: پیشرفت‌های DQN
• 14. فصل چهاردهم: الگوریتم‌های Actor-Critic پیشرفته
• 15. فصل پانزدهم: یادگیری تقویتی عمیق برای محیط‌های پیوسته
• 16. فصل شانزدهم: یادگیری تقویتی بازی
• 17. فصل هفدهم: یادگیری تقویتی رباتیک
• 18. فصل هجدهم: یادگیری تقویتی در توصیه‌گرها
• 19. فصل نوزدهم: یادگیری تقویتی در بازی‌های خودکار
• 20. فصل بیستم: یادگیری تقویتی در تشخیص پزشکی
• 21. فصل بیست و یکم: مقدمه‌ای بر کنترل پیش‌بین مدل (MPC)
• 22. فصل بیست و دومم: اصول MPC
• 23. فصل بیست و سوم: مدل‌سازی سیستم دینامیکی
• 24. فصل بیست و چهارم: بهینه‌سازی در MPC
• 25. فصل بیست و پنجم: پیش‌بینی مسیر آینده
• 26. فصل بیست و ششم: قیدها در MPC
• 27. فصل بیست و هفتم: کنترل‌کننده مدل پیش‌بین خطی (LMPC)
• 28. فصل بیست و هشتم: MPC برای سیستم‌های غیرخطی
• 29. فصل بیست و نهم: MPC با موانع
• 30. فصل سی‌ام: MPC با عدم قطعیت
• 31. فصل سی و یکم: MPC توزیع شده
• 32. فصل سی و دوم: معماری‌های MPC توزیع شده
• 33. فصل سی و سوم: ارتباط MPC توزیع شده و یادگیری تقویتی
• 34. فصل سی و چهارم: ترکیب یادگیری تقویتی و MPC
• 35. فصل سی و پنجم: یادگیری تقویتی برای یادگیری مدل در MPC
• 36. فصل سی و ششم: یادگیری تقویتی برای بهینه‌سازی در MPC
• 37. فصل سی و هفتم: MPC مبتنی بر یادگیری تقویتی برای رباتیک
• 38. فصل سی و هشتم: MPC مبتنی بر یادگیری تقویتی برای سیستم‌های قدرت
• 39. فصل سی و نهم: MPC مبتنی بر یادگیری تقویتی برای خودروهای خودران
• 40. فصل چهلم: MPC مبتنی بر یادگیری تقویتی برای شبکه‌های مخابراتی
• 41. فصل چهل و یکم: مفاهیم پیشرفته یادگیری تقویتی
• 42. فصل چهل و دوم: یادگیری تقویتی چندعاملی (MARL)
• 43. فصل چهل و سوم: الگوریتم‌های MARL
• 44. فصل چهل و چهارم: هماهنگی در MARL
• 45. فصل چهل و پنجم: رقابت در MARL
• 46. فصل چهل و ششم: همکاری در MARL
• 47. فصل چهل و هفتم: یادگیری تقویتی با پاداش پراکنده
• 48. فصل چهل و هشتم: یادگیری تقویتی از طریق شبیه‌سازی
• 49. فصل چهل و نهم: انتقال یادگیری در یادگیری تقویتی
• 50. فصل پنجاهم: یادگیری تقویتی مداوم
• 51. فصل پنجاه و یکم: یادگیری تقویتی با پاداش غیرقطعی
• 52. فصل پنجاه و دوم: یادگیری تقویتی با حالت‌های مشاهده‌ناپذیر
• 53. فصل پنجاه و سوم: یادگیری تقویتی با زمان‌بندی متغیر
• 54. فصل پنجاه و چهارم: مفاهیم پیشرفته کنترل پیش‌بین مدل
• 55. فصل پنجاه و پنجم: MPC سازگار
• 56. فصل پنجاه و ششم: MPC تطبیقی
• 57. فصل پنجاه و هفتم: MPC با تعهد پذیری
• 58. فصل پنجاه و هشتم: MPC مبتنی بر عدم قطعیت پویا
• 59. فصل پنجاه و نهم: MPC برای سیستم‌های توزیع شده با ارتباطات محدود
• 60. فصل شصتم: MPC توزیع شده با کنترل‌کننده مرکزی
• 61. فصل شصت و یکم: MPC توزیع شده با هماهنگ‌کننده
• 62. فصل شصت و دوم: MPC توزیع شده همتا به همتا
• 63. فصل شصت و سوم: MPC توزیع شده با عدم قطعیت مشترک
• 64. فصل شصت و چهارم: یادگیری تقویتی برای کاهش پیچیدگی MPC
• 65. فصل شصت و پنجم: یادگیری تقویتی برای تخمین موثرتر مدل
• 66. فصل شصت و ششم: یادگیری تقویتی برای تنظیم پارامترهای MPC
• 67. فصل شصت و هفتم: یادگیری تقویتی برای مدیریت قیدها در MPC
• 68. فصل شصت و هشتم: یادگیری تقویتی برای انتخاب استراتژی در MPC
• 69. فصل شصت و نهم: یادگیری تقویتی برای افزایش مقیاس‌پذیری MPC
• 70. فصل هفتادم: بررسی اجمالی ترکیب RL و MPC توزیع شده
• 71. فصل هفتاد و یکم: چارچوب‌های نظری برای ترکیب RL و MPC
• 72. فصل هفتاد و دوم: چالش‌های پیاده‌سازی ترکیب RL و MPC
• 73. فصل هفتاد و سوم: ارزیابی عملکرد سیستم‌های ترکیبی
• 74. فصل هفتاد و چهارم: کاربردهای پیشرفته ترکیب RL و MPC
• 75. فصل هفتاد و پنجم: یادگیری تقویتی و MPC برای هوش مصنوعی توزیع شده
• 76. فصل هفتاد و ششم: یادگیری تقویتی و MPC برای سیستم‌های سایبر-فیزیکی
• 77. فصل هفتاد و هفتم: یادگیری تقویتی و MPC برای اینترنت اشیاء
• 78. فصل هفتاد و هشتم: یادگیری تقویتی و MPC برای شبکه‌های ربات هوشمند
• 79. فصل هفتاد و نهم: آینده یادگیری تقویتی و کنترل پیش‌بین مدل توزیع شده
• 80. فصل هشتادم: تحقیقات جاری در تقاطع RL و MPC
• 81. فصل هشتاد و یکم: روندهای نوظهور در RL و MPC
• 82. فصل هشتاد و دوم: مسائل باز و چالش‌های آینده
• 83. فصل هشتاد و سوم: توصیه‌ها برای پژوهشگران
• 84. فصل هشتاد و چهارم: ابزارها و چارچوب‌های یادگیری تقویتی
• 85. فصل هشتاد و پنجم: ابزارها و چارچوب‌های کنترل پیش‌بین مدل
• 86. فصل هشتاد و ششم: شبیه‌سازهای مورد استفاده در RL و MPC
• 87. فصل هشتاد و هفتم: مجموعه داده‌ها برای آموزش و ارزیابی
• 88. فصل هشتاد و هشتم: معیارهای ارزیابی در RL
• 89. فصل هشتاد و نهم: معیارهای ارزیابی در MPC
• 90. فصل نودم: معیارهای ارزیابی در سیستم‌های ترکیبی RL و MPC
• 91. فصل نود و یکم: موارد مطالعاتی موفق از ترکیب RL و MPC
• 92. فصل نود و دوم: موارد مطالعاتی ناموفق و درس‌های آموخته شده
• 93. فصل نود و سوم: اخلاق در یادگیری تقویتی و کنترل پیش‌بین مدل
• 94. فصل نود و چهارم: ملاحظات امنیتی در سیستم‌های ترکیبی
• 95. فصل نود و پنجم: حریم خصوصی و ملاحظات داده‌ای
• 96. فصل نود و ششم: آموزش و پرورش در زمینه RL و MPC
• 97. فصل نود و هفتم: نقش جامعه در توسعه RL و MPC
• 98. فصل نود و هشتم: نوآوری در تقاطع RL و MPC
• 99. فصل نود و نهم: دیدگاه‌های آینده‌نگر برای RL و MPC
• 100. فصل صدم: جمع‌بندی و چشم‌انداز کلی