کتاب صوتی تکنیک‌های یادگیری تقویتی مبتنی بر دانش (Knowledge-Based RL) در MARL

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تکنیک‌های یادگیری تقویتی مبتنی بر دانش (Knowledge-Based RL) در MARL

موضوع کلی: یادگیری تقویتی چندعامله (MARL)

موضوع میانی: نکات و ترفندهای پیاده‌سازی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری تقویتی چند عامله (MARL)
• 2. مبانی یادگیری تقویتی (RL)
• 3. مفهوم عامل، محیط و پاداش
• 4. فرآیندهای تصمیم‌گیری مارکوف (MDP)
• 5. تعریف حالت، عمل و انتقال
• 6. تابع ارزش و تابع بهره‌وری
• 7. روش‌های یادگیری ارزش (Value-Based Learning)
• 8. یادگیری Q (Q-Learning)
• 9. یادگیری Deep Q-Network (DQN)
• 10. روش‌های یادگیری مبتنی بر سیاست (Policy-Based Learning)
• 11. گرادیان سیاست (Policy Gradient)
• 12. روش Actor-Critic
• 13. مقدمه‌ای بر یادگیری تقویتی مبتنی بر دانش (KBRL)
• 14. اهمیت دانش در یادگیری تقویتی
• 15. انواع دانش در KBRL
• 16. دانش از پیش تعیین شده (Prior Knowledge)
• 17. دانش اکتسابی (Acquired Knowledge)
• 18. دانش صریح (Explicit Knowledge)
• 19. دانش ضمنی (Implicit Knowledge)
• 20. روش‌های ادغام دانش در RL
• 21. استفاده از دانش برای هدایت جستجو
• 22. استفاده از دانش برای تعریف اهداف
• 23. استفاده از دانش برای طراحی تابع پاداش
• 24. استفاده از دانش برای تنظیم ابرپارامترها
• 25. مقدمه‌ای بر سیستم‌های چند عامله (MAS)
• 26. چالش‌های سیستم‌های چند عامله
• 27. تعامل بین عامل‌ها
• 28. هماهنگی و همکاری بین عامل‌ها
• 29. رقابت بین عامل‌ها
• 30. عدم قطعیت در محیط چند عامله
• 31. مقدمه‌ای بر یادگیری تقویتی چند عامله (MARL)
• 32. تفاوت MARL با RL تک عامله
• 33. چالش‌های خاص MARL
• 34. عدم ایستا بودن محیط از دید هر عامل
• 35. مشاهده‌پذیری محدود (Partial Observability)
• 36. مشکل تخصیص پاداش (Reward Allocation Problem)
• 37. داده‌های غیر ایستا (Non-Stationarity)
• 38. روش‌های اصلی در MARL
• 39. MARL مبتنی بر ارزش (Value-Based MARL)
• 40. MARL مبتنی بر سیاست (Policy-Based MARL)
• 41. MARL ترکیبی (Hybrid MARL)
• 42. رویکردهای همکاری در MARL
• 43. یادگیری مشترک (Joint Action Learning)
• 44. یادگیری مبتنی بر مذاکره (Negotiation-Based Learning)
• 45. یادگیری مبتنی بر شایسته‌سالاری (Merit-Based Learning)
• 46. رویکردهای رقابتی در MARL
• 47. بازی‌های مجموع-صفر (Zero-Sum Games)
• 48. بازی‌های غیر مجموع-صفر (Non-Zero-Sum Games)
• 49. یادگیری مبتنی بر نظریه بازی‌ها (Game Theory-Based Learning)
• 50. تعادل نش (Nash Equilibrium)
• 51. رویکردهای ترکیبی در MARL
• 52. یادگیری سیاست متمرکز-غیرمتمرکز (Centralized Training with Decentralized Execution - CTDE)
• 53. مزایا و معایب CTDE
• 54. معماری‌های CTDE
• 55. MADDPG (Multi-Agent Deep Deterministic Policy Gradient)
• 56. QMIX (Q-Value Mixing)
• 57. VDN (Value Decomposition Networks)
• 58. COMA (Counterfactual Multi-Agent Policy Gradients)
• 59. KBRL در MARL
• 60. ادغام دانش در سیستم‌های چند عامله
• 61. نقش دانش در هماهنگی عامل‌ها
• 62. نقش دانش در رقابت عامل‌ها
• 63. استفاده از دانش برای تسهیل یادگیری مشترک
• 64. استفاده از دانش برای بهبود کارایی استراتژی‌ها
• 65. انواع دانش در MARL
• 66. دانش مربوط به محیط مشترک
• 67. دانش مربوط به توانایی‌های عامل‌های دیگر
• 68. دانش مربوط به اهداف عامل‌های دیگر
• 69. دانش مربوط به قوانین تعامل
• 70. روش‌های ادغام دانش در MARL
• 71. استفاده از دانش برای تعریف اولیه سیاست‌ها
• 72. استفاده از دانش برای طراحی توابع پاداش چند عامله
• 73. استفاده از دانش برای ساخت مدل محیطی مشترک
• 74. استفاده از دانش برای فیلتر کردن یا اولویت‌بندی اطلاعات
• 75. مثال‌های کاربردی KBRL در MARL
• 76. رباتیک چند عامله (Multi-Robot Systems)
• 77. هدایت ترافیک هوشمند
• 78. مدیریت منابع توزیع شده
• 79. بازی‌های استراتژیک چند نفره
• 80. شبکه‌های مخابراتی
• 81. بررسی مطالعات موردی KBRL در MARL
• 82. مطالعات موردی در رباتیک
• 83. مطالعات موردی در بازی‌ها
• 84. مطالعات موردی در سیستم‌های توزیع شده
• 85. چالش‌های پیاده‌سازی KBRL در MARL
• 86. مقیاس‌پذیری (Scalability)
• 87. پیچیدگی محاسباتی
• 88. نیاز به دانش اولیه با کیفیت
• 89. ارزیابی عملکرد سیستم‌های KBRL-MARL
• 90. معیارهای ارزیابی
• 91. روش‌های شبیه‌سازی و آزمایش
• 92. آینده پژوهی در KBRL-MARL
• 93. روندهای نوظهور
• 94. فرصت‌های تحقیقاتی
• 95. توسعه الگوریتم‌های کارآمدتر
• 96. بهبود روش‌های یادگیری دانش
• 97. کاربرد در مسائل پیچیده‌تر
• 98. اهمیت چارچوب‌های اخلاقی و قانونی در توسعه هوش مصنوعی
• 99. نکات مهم در طراحی و اجرای سیستم‌های هوش مصنوعی مطابق با قوانین جمهوری اسلامی ایران
• 100. اصول اخلاقی در هوش مصنوعی