کتاب صوتی مفاهیم کلیدی در یادگیری تقویتی چندعامله

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مفاهیم کلیدی در یادگیری تقویتی چندعامله

موضوع کلی: یادگیری تقویتی چندعامله (MARL)

موضوع میانی: اصول و مفاهیم MARL

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری تقویتی چندعامله
• 2. مفاهیم بنیادی عامل و محیط
• 3. ارتباط عامل با محیط: حالت، عمل، پاداش
• 4. مدل‌های تصمیم‌گیری مارکوف (MDP)
• 5. فرایندهای تصمیم‌گیری مارکوف چندعامله (MADMP)
• 6. فضای حالت و عمل در سیستم‌های چندعامله
• 7. تابع پاداش و تعریف هدف
• 8. مشاهده‌پذیری کامل در مقابل مشاهده‌پذیری جزئی
• 9. هماهنگی و رقابت در محیط‌های چندعامله
• 10. تعریف بازی‌ها در چارچوب یادگیری تقویتی
• 11. بازی‌های جمعی و بازی‌های مجموع-صفر
• 12. مفهوم تعادل نش (Nash Equilibrium)
• 13. راهبردهای مختلط و خالص
• 14. معرفی الگوریتم‌های یادگیری تقویتی تک‌عامله
• 15. یادگیری Q (Q-Learning)
• 16. یادگیری SARSA
• 17. یادگیری مبتنی بر مدل در مقابل بدون مدل
• 18. مفاهیم یادگیری عمیق در یادگیری تقویتی
• 19. شبکه‌های عصبی کانولوشنال (CNN)
• 20. شبکه‌های عصبی بازگشتی (RNN)
• 21. Deep Q-Networks (DQN)
• 22. مشکلات و چالش‌های یادگیری تقویتی چندعامله
• 23. پیچیدگی محاسباتی در سیستم‌های چندعامله
• 24. عدم ایستایی محیط (Non-stationarity)
• 25. مشکل توازن بین اکتشاف و بهره‌برداری (Exploration vs. Exploitation)
• 26. تأثیر سایر عامل‌ها بر پویایی محیط
• 27. روش‌های یادگیری تقویتی متمرکز (Centralized)
• 28. یادگیری مبتنی بر عامل مرکزی
• 29. یادگیری مبتنی بر عامل مجزا (Decentralized)
• 30. یادگیری تقویتی توزیع‌شده (Distributed)
• 31. روش‌های یادگیری تقویتی نیمه‌متمرکز (Dec-POMDP)
• 32. معرفی الگوریتم‌های یادگیری تقویتی چندعامله
• 33. Multi-Agent Q-Learning (MAQL)
• 34. Joint Action Learners (JAL)
• 35. Coordinated Q-Learning (CQL)
• 36. Independent Q-Learning (IQL)
• 37. مقایسه IQL و CQL
• 38. الگوریتم‌های مبتنی بر سیاست (Policy-Based Methods)
• 39. Policy Gradients
• 40. Actor-Critic Methods
• 41. A3C (Asynchronous Advantage Actor-Critic)
• 42. A2C (Advantage Actor-Critic)
• 43. مقایسه روش‌های مبتنی بر ارزش و مبتنی بر سیاست
• 44. روش‌های یادگیری تقویتی مبتنی بر عامل مرکزی (Centralized Training)
• 45. CommNet
• 46. VDN (Value Decomposition Networks)
• 47. QMIX
• 48. مقایسه VDN و QMIX
• 49. روش‌های یادگیری تقویتی مبتنی بر عامل مجزا (Decentralized Execution)
• 50. MADDPG (Multi-Agent Deep Deterministic Policy Gradient)
• 51. COMA (Counterfactual Multi-Agent Policy Gradients)
• 52. مقایسه MADDPG و COMA
• 53. مباحث پیشرفته در یادگیری تقویتی چندعامله
• 54. هماهنگی و همکاری بین عامل‌ها
• 55. توسعه استراتژی‌های همکاری
• 56. یادگیری تقویتی در بازی‌های چندنفره
• 57. تیم‌ورک و نقش‌های عامل‌ها
• 58. رقابت و بازی‌های مجموع-غیرصفر
• 59. یادگیری تقویتی در رباتیک چندعامله
• 60. کنترل ناوگان ربات‌ها
• 61. مسیریابی و اجتناب از برخورد
• 62. کاربردها در اتوماسیون صنعتی
• 63. یادگیری تقویتی در شبکه‌های هوشمند
• 64. مدیریت منابع انرژی
• 65. بهینه‌سازی جریان ترافیک
• 66. کاربردها در سیستم‌های توزیع‌شده
• 67. یادگیری تقویتی در اقتصاد و مالی
• 68. مدل‌سازی بازارهای مالی
• 69. استراتژی‌های معاملاتی خودکار
• 70. تخصیص منابع در اقتصاد خرد
• 71. یادگیری تقویتی در بازی‌های شبیه‌سازی شده
• 72. شبیه‌سازی سناریوهای پیچیده
• 73. تست و اعتبارسنجی سیستم‌های هوشمند
• 74. یادگیری تقویتی در شبکه‌های مخابراتی
• 75. مدیریت پهنای باند
• 76. بهینه‌سازی مسیریابی بسته‌ها
• 77. کاربردها در اینترنت اشیا
• 78. ملاحظات اخلاقی و ایمنی در سیستم‌های چندعامله
• 79. قابلیت اطمینان و پیش‌بینی‌پذیری
• 80. سوگیری در داده‌ها و الگوریتم‌ها
• 81. تفسیرپذیری مدل‌های یادگیری تقویتی چندعامله
• 82. پیامدهای اجتماعی و اقتصادی
• 83. ارزیابی عملکرد سیستم‌های چندعامله
• 84. معیارهای سنجش هماهنگی و همکاری
• 85. معیارهای سنجش رقابت و کارایی
• 86. تحلیل حساسیت و پایداری
• 87. چالش‌های پیاده‌سازی در دنیای واقعی
• 88. نیاز به داده‌های شبیه‌سازی شده
• 89. انتقال دانش از شبیه‌سازی به واقعیت
• 90. محدودیت‌های محاسباتی در زمان واقعی
• 91. امنیت و حملات سایبری
• 92. آینده پژوهی در یادگیری تقویتی چندعامله
• 93. روش‌های یادگیری تقویتی خود-نظارتی (Self-supervised)
• 94. یادگیری تقویتی مبتنی بر عامل‌های یادگیرنده (Learning to Learn)
• 95. یادگیری تقویتی تعمیم‌پذیر (Generalizable)
• 96. استفاده از هوش مصنوعی مولد در یادگیری تقویتی چندعامله
• 97. جمع‌بندی مفاهیم کلیدی و جهت‌گیری‌های آینده