کتاب صوتی محیط‌های یادگیری تقویتی چندعامله با پاداش‌های غیرمتمرکز

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره محیط‌های یادگیری تقویتی چندعامله با پاداش‌های غیرمتمرکز

موضوع کلی: یادگیری تقویتی چندعامله (MARL)

موضوع میانی: محیط‌های یادگیری تقویتی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر محیط‌های یادگیری تقویتی چندعامله
• 2. مبانی نظری یادگیری تقویتی
• 3. مفاهیم عامل، محیط، حالت، عمل و پاداش
• 4. تابع ارزش و تابع سیاست
• 5. مدل‌های مارکوف تصمیم‌گیری (MDP)
• 6. یادگیری تقویتی تک‌عامله
• 7. یادگیری Q
• 8. یادگیری Deep Q-Network (DQN)
• 9. یادگیری Actor-Critic
• 10. یادگیری Policy Gradient
• 11. مقدمه‌ای بر محیط‌های چندعامله (MARL)
• 12. تفاوت‌های یادگیری تقویتی تک‌عامله و چندعامله
• 13. چالش‌های محیط‌های چندعامله
• 14. عدم ایستایی (Non-stationarity) در MARL
• 15. مشاهده‌پذیری محدود (Partial Observability)
• 16. تضاد منافع و همکاری بین عامل‌ها
• 17. مفاهیم بازی‌های پویا
• 18. تعادل نش (Nash Equilibrium) در بازی‌های پویا
• 19. بازی‌های تکراری
• 20. مقدمه‌ای بر پاداش‌های غیرمتمرکز
• 21. تفاوت پاداش متمرکز و غیرمتمرکز
• 22. مزایای پاداش‌های غیرمتمرکز
• 23. چالش‌های طراحی پاداش‌های غیرمتمرکز
• 24. روش‌های یادگیری با پاداش‌های غیرمتمرکز
• 25. یادگیری تقویتی با پاداش‌های مبتنی بر مشاهده
• 26. یادگیری تقویتی با پاداش‌های مبتنی بر هدف
• 27. یادگیری تقویتی با پاداش‌های مبتنی بر همکاری
• 28. یادگیری تقویتی با پاداش‌های مبتنی بر رقابت
• 29. یادگیری تقویتی با پاداش‌های ترکیبی
• 30. مدل‌های عامل‌های مستقل (Independent Learners)
• 31. یادگیری Q مستقل (IQL)
• 32. یادگیری Actor-Critic مستقل (IAC)
• 33. نقاط ضعف مدل‌های عامل‌های مستقل
• 34. تکنیک‌های هماهنگ‌سازی عامل‌ها
• 35. یادگیری با مشاهده تجمیع‌شده (Aggregated Observation)
• 36. یادگیری با ارتباطات بین عامل‌ها
• 37. یادگیری با میانجی‌گری (Mediation)
• 38. یادگیری با ذاکره (Memory) مشترک
• 39. یادگیری با مدل مشترک محیط
• 40. مقدمه‌ای بر شبکه‌های عصبی عمیق در MARL
• 41. استفاده از شبکه‌های عصبی کانولوشنال (CNN)
• 42. استفاده از شبکه‌های عصبی بازگشتی (RNN)
• 43. استفاده از شبکه‌های عصبی ترنسفورمر (Transformer)
• 44. معماری‌های یادگیری تقویتی چندعامله
• 45. معماری‌های مبتنی بر عامل‌های مرکزی (Centralized Agents)
• 46. معماری‌های مبتنی بر عامل‌های توزیع‌شده (Decentralized Agents)
• 47. معماری‌های ترکیبی مرکزی-توزیع‌شده
• 48. مدل‌های یادگیری تقویتی با عامل‌های یادگیرنده همکار (Cooperative Learners)
• 49. یادگیری تقویتی برای هماهنگ‌سازی ربات‌ها
• 50. یادگیری تقویتی برای مدیریت ترافیک
• 51. یادگیری تقویتی برای شبکه‌های حسگر بی‌سیم
• 52. یادگیری تقویتی برای بازی‌های استراتژیک
• 53. مدل‌های یادگیری تقویتی با عامل‌های یادگیرنده رقیب (Competitive Learners)
• 54. یادگیری تقویتی برای بازی‌های دو نفره
• 55. یادگیری تقویتی برای معاملات الگوریتمی
• 56. یادگیری تقویتی برای امنیت سایبری
• 57. مدل‌های یادگیری تقویتی با عامل‌های مختلط (Mixed Learners)
• 58. یادگیری تقویتی برای مذاکرات
• 59. یادگیری تقویتی برای تخصیص منابع
• 60. یادگیری تقویتی برای سیستم‌های توصیه‌گر
• 61. مقدمه‌ای بر ارزیابی عملکرد در MARL
• 62. معیارهای ارزیابی عملکرد
• 63. شبیه‌سازی محیط‌های چندعامله
• 64. پیاده‌سازی الگوریتم‌های MARL
• 65. کاربردها و مطالعات موردی در MARL
• 66. مثال‌های عملی از محیط‌های یادگیری تقویتی چندعامله
• 67. مطالعات موردی در رباتیک و اتوماسیون
• 68. مطالعات موردی در اقتصاد و مالی
• 69. مطالعات موردی در شبکه‌های توزیع‌شده
• 70. مطالعات موردی در سیستم‌های هوشمند
• 71. مباحث پیشرفته در MARL
• 72. یادگیری تقویتی با پاداش‌های ضمنی (Intrinsic Rewards)
• 73. یادگیری تقویتی با پاداش‌های اجتماعی
• 74. یادگیری تقویتی با فیدبک‌های انسانی
• 75. یادگیری تقویتی با قابلیت تفسیرپذیری (Explainability)
• 76. یادگیری تقویتی با قابلیت تعمیم‌پذیری (Generalization)
• 77. یادگیری تقویتی با یادگیری فعال (Active Learning)
• 78. یادگیری تقویتی با یادگیری انتقالی (Transfer Learning)
• 79. یادگیری تقویتی با یادگیری خودماندگار (Self-supervised Learning)
• 80. یادگیری تقویتی با یادگیری مبتنی بر مدل (Model-based RL)
• 81. یادگیری تقویتی با یادگیری بدون مدل (Model-free RL)
• 82. کاربرد در هوش مصنوعی توزیع‌شده
• 83. کاربرد در رباتیک مشارکتی
• 84. کاربرد در سیستم‌های حمل و نقل هوشمند
• 85. کاربرد در بهینه‌سازی شبکه‌های ارتباطی
• 86. کاربرد در مدیریت انرژی هوشمند
• 87. کاربرد در تجزیه و تحلیل داده‌های بزرگ
• 88. کاربرد در سیستم‌های دفاعی هوشمند
• 89. مروری بر آخرین تحقیقات و روندهای MARL
• 90. چالش‌های باز و پژوهش‌های آینده در MARL