کتاب صوتی ساختمان داده‌ها و الگوریتم‌های Q-Learning

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره ساختمان داده‌ها و الگوریتم‌های Q-Learning

موضوع کلی: یادگیری تقویتی چندعامله (MARL)

موضوع میانی: Q-Learning

📋 سرفصل‌های دوره

• 1. مبانی یادگیری تقویتی
• 2. اصول یادگیری ماشین
• 3. مقدمه‌ای بر Q-Learning
• 4. تابع ارزش Q
• 5. جدول Q
• 6. یادگیری آفلاین Q-Learning
• 7. یادگیری آنلاین Q-Learning
• 8. الگوریتم Q-Learning پایه
• 9. به‌روزرسانی تابع ارزش Q
• 10. عامل و محیط در Q-Learning
• 11. حالت‌ها و عمل‌ها
• 12. تابع پاداش
• 13. تابع انتقال حالت
• 14. سیاست‌ها در یادگیری تقویتی
• 15. سیاست‌های اکتشافی
• 16. سیاست‌های بهره‌بردارانه
• 17. تعادل اکتشاف-بهره‌برداری
• 18. روش اپسیلون-حریصانه
• 19. روش Softmax
• 20. تنظیم پارامترهای اپسیلون
• 21. کاهش اپسیلون در طول زمان
• 22. اکتشاف مبتنی بر عدم قطعیت
• 23. تنظیم پارامترهای Softmax
• 24. انواع جداول Q
• 25. جداول Q بزرگ و چالش‌ها
• 26. تقریب تابع ارزش
• 27. شبکه‌های عصبی عمیق
• 28. Deep Q-Networks (DQN)
• 29. معماری شبکه عصبی برای DQN
• 30. آموزش DQN
• 31. تابع زیان در DQN
• 32. تجربه تکرار (Experience Replay)
• 33. حافظه تکرار
• 34. نمونه‌برداری از حافظه تکرار
• 35. شبکه هدف (Target Network)
• 36. استفاده از شبکه هدف
• 37. به‌روزرسانی شبکه هدف
• 38. Double DQN
• 39. مزایای Double DQN
• 40. Prioritized Experience Replay
• 41. اولویت‌بندی تجربه‌ها
• 42. مزایای Prioritized Experience Replay
• 43. Dueling DQN
• 44. معماری Dueling DQN
• 45. مزایای Dueling DQN
• 46. Algorithmic improvements in DQN
• 47. Noisy DQN
• 48. Distributional RL
• 49. Rainbow DQN
• 50. ترکیب روش‌های پیشرفته
• 51. Q-Learning برای فضاهای حالت پیوسته
• 52. Discretization of state space
• 53. Function approximation for continuous states
• 54. Kernel-based methods
• 55. Gaussian Processes
• 56. State aggregation
• 57. Feature engineering for Q-Learning
• 58. Deep Reinforcement Learning in general
• 59. Policy Gradient methods
• 60. Actor-Critic methods
• 61. Advantages of Actor-Critic
• 62. Proximal Policy Optimization (PPO)
• 63. Trust Region Policy Optimization (TRPO)
• 64. Model-based Reinforcement Learning
• 65. Model learning
• 66. Planning with learned models
• 67. Monte Carlo Tree Search
• 68. Applications of Q-Learning
• 69. Robotics
• 70. Game playing
• 71. Autonomous driving
• 72. Financial trading
• 73. Healthcare
• 74. Resource management
• 75. Personalized recommendations
• 76. Industrial automation
• 77. Complex control systems
• 78. Reinforcement learning in education
• 79. Ethics in AI and RL
• 80. Bias in RL algorithms
• 81. Fairness in RL
• 82. Safety in RL
• 83. Interpretability of RL models
• 84. The future of Q-Learning
• 85. Challenges in real-world deployment
• 86. Scalability of Q-Learning
• 87. Generalization capabilities
• 88. Transfer learning in RL
• 89. Multi-agent RL
• 90. Cooperative RL
• 91. Competitive RL
• 92. Game theory in RL
• 93. Human-in-the-loop RL
• 94. Reinforcement learning for scientific discovery
• 95. Advanced topics in Q-Learning
• 96. Offline RL revisited
• 97. Batch RL
• 98. Safe RL
• 99. Exploration strategies for complex environments
• 100. Meta-learning in RL