کتاب صوتی رویکردهای مدرن در یادگیری تقویتی چندعامله ناظر و بدون ناظر

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره رویکردهای مدرن در یادگیری تقویتی چندعامله ناظر و بدون ناظر

موضوع کلی: یادگیری تقویتی چندعامله (MARL)

موضوع میانی: مباحث پژوهشی روز در MARL

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری تقویتی چندعامله
• 2. اصول یادگیری تقویتی
• 3. عوامل در محیط‌های یادگیری تقویتی
• 4. محیط‌های یادگیری تقویتی
• 5. فضای حالت و فضای عمل
• 6. تابع پاداش
• 7. سیاست عامل
• 8. ارزش تابع
• 9. کشف و اکتشاف در یادگیری تقویتی
• 10. یادگیری تقویتی مارکوف (MDP)
• 11. فرآیندهای تصمیم‌گیری مارکوف
• 12. معادلات بل‌من
• 13. روش‌های مقدار-تابع (Value-Function Methods)
• 14. روش‌های سیاست-تابع (Policy-Function Methods)
• 15. روش‌های مدل-مبتنی (Model-Based Methods)
• 16. روش‌های مدل-مستقل (Model-Free Methods)
• 17. یادگیری تقویتی ناظر
• 18. یادگیری تقویتی بدون ناظر
• 19. یادگیری تقویتی نیمه‌ناظر
• 20. یادگیری تقویتی چندعامله (MARL)
• 21. مفاهیم کلیدی در MARL
• 22. تعامل بین عامل‌ها
• 23. همکاری عامل‌ها
• 24. رقابت عامل‌ها
• 25. حالت‌های ترکیبی همکاری و رقابت
• 26. یادگیری تقویتی ناظر در MARL
• 27. یادگیری تقویتی بدون ناظر در MARL
• 28. یادگیری تقویتی نیمه‌ناظر در MARL
• 29. مدل‌های عامل مرکزی (Centralized Agent Models)
• 30. مدل‌های عامل توزیع‌شده (Decentralized Agent Models)
• 31. مدل‌های عامل نیمه‌متمرکز (Semi-Centralized Agent Models)
• 32. یادگیری تقویتی با نظارت مرکزی (Centralized Training with Decentralized Execution - CTDE)
• 33. حسابداری پاداش در MARL
• 34. تخصیص پاداش در سناریوهای همکاری
• 35. تخصیص پاداش در سناریوهای رقابتی
• 36. مسئله پاداش اسپارس (Sparse Reward Problem)
• 37. یادگیری تقویتی با پاداش مهندسی‌شده (Reward Shaping)
• 38. شبکه‌های عصبی در یادگیری تقویتی
• 39. یادگیری عمیق تقویتی (Deep Reinforcement Learning)
• 40. شبکه‌های عصبی کانولوشنی (CNN) در RL
• 41. شبکه‌های عصبی بازگشتی (RNN) در RL
• 42. شبکه‌های عصبی ترنسفورمر (Transformer) در RL
• 43. الگوریتم‌های یادگیری تقویتی عمیق
• 44. DQN (Deep Q-Network)
• 45. DDQN (Double Deep Q-Network)
• 46. Dueling DQN
• 47. Prioritized Experience Replay
• 48. A2C (Advantage Actor-Critic)
• 49. A3C (Asynchronous Advantage Actor-Critic)
• 50. PPO (Proximal Policy Optimization)
• 51. TRPO (Trust Region Policy Optimization)
• 52. SAC (Soft Actor-Critic)
• 53. DDPG (Deep Deterministic Policy Gradient)
• 54. TD3 (Twin Delayed Deep Deterministic Policy Gradient)
• 55. MARL با استفاده از DQN
• 56. MARL با استفاده از Actor-Critic
• 57. یادگیری تقویتی در رباتیک
• 58. کنترل ربات‌های خودمختار
• 59. ناوبری ربات‌ها
• 60. یادگیری تقویتی در بازی‌ها
• 61. یادگیری تقویتی در سیستم‌های توصیه‌گر
• 62. یادگیری تقویتی در مدیریت منابع
• 63. یادگیری تقویتی در شبکه‌های ارتباطی
• 64. یادگیری تقویتی در مالیه الگوریتمی
• 65. یادگیری تقویتی در بهینه‌سازی سیستم‌ها
• 66. یادگیری تقویتی در سیستم‌های توزیع‌شده
• 67. یادگیری تقویتی برای هماهنگی عامل‌ها
• 68. یادگیری تقویتی برای حل مسائل بهینه‌سازی چندهدفه
• 69. مدل‌های یادگیری اجتماعی در MARL
• 70. یادگیری تقویتی از مشاهده
• 71. یادگیری تقویتی از طریق تقلید (Imitation Learning)
• 72. یادگیری تقویتی با یادگیری مبتنی بر مدل (Model-Based RL)
• 73. یادگیری تقویتی با یادگیری بدون مدل (Model-Free RL)
• 74. یادگیری تقویتی با فضای حالت پیوسته
• 75. یادگیری تقویتی با فضای عمل پیوسته
• 76. یادگیری تقویتی با پاداش‌های تاخیردار
• 77. یادگیری تقویتی با پاداش‌های متغیر
• 78. چالش‌های مقیاس‌پذیری در MARL
• 79. چالش‌های پایداری در MARL
• 80. چالش‌های تعمیم‌پذیری در MARL
• 81. ارزیابی عملکرد در MARL
• 82. معیارهای ارزیابی در MARL
• 83. شبیه‌سازی محیط‌های MARL
• 84. پیاده‌سازی الگوریتم‌های MARL
• 85. کتابخانه‌های نرم‌افزاری برای MARL
• 86. کاربرد یادگیری تقویتی در هوش مصنوعی
• 87. آینده یادگیری تقویتی چندعامله
• 88. تحقیقات پیشرو در MARL
• 89. کاربردهای عملی MARL
• 90. تکنیک‌های پیشرفته در MARL
• 91. یادگیری تقویتی برای سیستم‌های پیچیده
• 92. یادگیری تقویتی در زمان واقعی
• 93. یادگیری تقویتی با داده‌های محدود
• 94. یادگیری تقویتی برای سناریوهای پویا
• 95. یادگیری تقویتی در محیط‌های نامشخص
• 96. یادگیری تقویتی برای تصمیم‌گیری جمعی
• 97. یادگیری تقویتی برای بهینه‌سازی توزیع‌شده
• 98. یادگیری تقویتی برای شبکه‌های هوشمند
• 99. یادگیری تقویتی برای ربات‌های گروهی
• 100. یادگیری تقویتی برای سیستم‌های حمل‌ونقل هوشمند