کتاب صوتی PyMARL: چارچوبی استاندارد برای پژوهش و توسعه در حوزه یادگیری تقویتی چندعامله

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره PyMARL: چارچوبی استاندارد برای پژوهش و توسعه در حوزه یادگیری تقویتی چندعامله

موضوع کلی: یادگیری تقویتی چندعامله (MARL)

موضوع میانی: PyMARL

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری تقویتی چندعامله
• 2. مفاهیم پایه یادگیری تقویتی
• 3. فضای حالت و عمل
• 4. تابع پاداش
• 5. سیاست یادگیری
• 6. تابع ارزش
• 7. یادگیری آفلاین در مقابل آنلاین
• 8. مدل‌های یادگیری تقویتی تک عامله
• 9. الگوریتم‌های مبتنی بر ارزش: Q-Learning
• 10. الگوریتم‌های مبتنی بر سیاست: Policy Gradients
• 11. یادگیری عمیق تقویتی (Deep RL)
• 12. شبکه‌های عصبی برای یادگیری تقویتی
• 13. Deep Q-Networks (DQN)
• 14. Double DQN
• 15. Dueling DQN
• 16. Prioritized Experience Replay
• 17. Actor-Critic Methods
• 18. Asynchronous Advantage Actor-Critic (A3C)
• 19. Proximal Policy Optimization (PPO)
• 20. Trust Region Policy Optimization (TRPO)
• 21. مقدمه‌ای بر یادگیری تقویتی چندعامله (MARL)
• 22. چالش‌های کلیدی در MARL
• 23. غیر ایستا بودن محیط
• 24. مشاهده‌پذیری محدود
• 25. مشکل هماهنگی
• 26. مشکل عدم تطابق انگیزه‌ها
• 27. طبقه‌بندی چارچوب‌های MARL
• 28. بازی‌های همکارانه
• 29. بازی‌های رقابتی
• 30. بازی‌های مختلط
• 31. بازی‌های مجموع-صفر
• 32. بازی‌های مجموع-غیرصفر
• 33. رویکردهای یادگیری مبتنی بر عامل
• 34. یادگیری مشترک
• 35. یادگیری متمرکز
• 36. یادگیری مبتنی بر عامل مستقل
• 37. Centralized Training with Decentralized Execution (CTDE)
• 38. معماری‌های CTDE
• 39. Value Decomposition Networks (VDN)
• 40. QMIX
• 41. MADDPG
• 42. Covariance Matrix Adaptation Evolution Strategy (CMA-ES) در MARL
• 43. یادگیری تقویتی مبتنی بر عامل مستقل (Independent Learners)
• 44. مزایا و معایب Independent Learners
• 45. تکنیک‌های بهبود Independent Learners
• 46. معرفی PyMARL
• 47. نصب و راه‌اندازی PyMARL
• 48. ساختار کلی PyMARL
• 49. ماژول‌های اصلی PyMARL
• 50. مدیریت محیط‌ها در PyMARL
• 51. تعریف عوامل (Agents) در PyMARL
• 52. پیاده‌سازی الگوریتم‌های پایه MARL در PyMARL
• 53. Deep Q-Networks (DQN) در PyMARL
• 54. Multi-Agent Deep Deterministic Policy Gradient (MADDPG) در PyMARL
• 55. QMIX در PyMARL
• 56. VDN در PyMARL
• 57. استفاده از محیط‌های استاندارد با PyMARL
• 58. StarCraft II به عنوان محیط آزمایشی
• 59. SMAC (StarCraft Multi-Agent Challenge)
• 60. تنظیم پارامترهای الگوریتم‌ها در PyMARL
• 61. آموزش مدل‌ها با PyMARL
• 62. ارزیابی عملکرد مدل‌ها در PyMARL
• 63. تجسم نتایج در PyMARL
• 64. تنظیمات پیشرفته در PyMARL
• 65. مدیریت آزمایش‌ها (Experiment Management)
• 66. استفاده از Configuration Files
• 67. گزارش‌گیری و تحلیل نتایج
• 68. اضافه کردن محیط‌های سفارشی به PyMARL
• 69. اضافه کردن الگوریتم‌های جدید به PyMARL
• 70. کاربردهای عملی PyMARL
• 71. مدیریت ترافیک شهری
• 72. سیستم‌های توزیع انرژی
• 73. رباتیک چندعامله
• 74. بازی‌های استراتژیک
• 75. تحلیل و پیش‌بینی بازارهای مالی (با رویکرد چارچوب بانکداری اسلامی)
• 76. مدیریت منابع در شبکه‌های توزیع‌شده
• 77. بهینه‌سازی زنجیره تأمین (با رعایت مقررات گمرکی و ارزی)
• 78. هماهنگی عامل‌ها در ربات‌های صنعتی
• 79. سیستم‌های توزیع هوشمند
• 80. پژوهش‌های پیشرفته در MARL
• 81. یادگیری تقویتی ترکیبی (Hybrid RL) در MARL
• 82. یادگیری تقویتی با استفاده از مدل (Model-based MARL)
• 83. یادگیری تقویتی با پاداش‌های ضمنی (Intrinsic Motivation)
• 84. یادگیری تقویتی با فیدبک انسانی (Human Feedback RL)
• 85. مسائل اخلاقی و اجتماعی در MARL (با تأکید بر چارچوب خانواده و جامعه ایرانی-اسلامی)
• 86. آینده تحقیقات MARL با PyMARL
• 87. جمع‌بندی و گام‌های بعدی