کتاب صوتی یادگیری تقویتی چندعامله: ابزارها و الگوریتم‌های کلیدی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره یادگیری تقویتی چندعامله: ابزارها و الگوریتم‌های کلیدی

موضوع کلی: یادگیری تقویتی چندعامله (MARL)

موضوع میانی: یادگیری تقویتی چندعامله برای کنترل ربات‌های صنعتی برای انجام وظایف نگهداری و تعمیر

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری تقویتی چندعامله
• 2. مفاهیم پایه یادگیری تقویتی
• 3. عامل‌ها و محیط در یادگیری تقویتی
• 4. فضای حالت و فضای عمل
• 5. تابع پاداش و تابع ارزش
• 6. روش‌های یادگیری تقویتی بدون مدل
• 7. یادگیری آفلاین در مقابل یادگیری آنلاین
• 8. یادگیری با مدل در مقابل یادگیری بدون مدل
• 9. الگوریتم‌های مبتنی بر ارزش
• 10. تفاوت‌های یادگیری Q-Learning و SARSA
• 11. یادگیری Q-Learning پیشرفته
• 12. Double Q-Learning
• 13. Dueling Double DQN
• 14. Prioritized Experience Replay
• 15. Noisy Networks
• 16. Distributional RL
• 17. Actor-Critic Methods
• 18. Asynchronous Advantage Actor-Critic (A3C)
• 19. Proximal Policy Optimization (PPO)
• 20. Trust Region Policy Optimization (TRPO)
• 21. Deep Deterministic Policy Gradient (DDPG)
• 22. Soft Actor-Critic (SAC)
• 23. Multi-Agent Reinforcement Learning (MARL)
• 24. مفاهیم پایه یادگیری تقویتی چندعامله
• 25. انواع تعامل عامل‌ها در MARL
• 26. همکاری، رقابت و ترکیبی
• 27. مدل‌های سنتی MARL
• 28. Independent Q-Learning (IQL)
• 29. Decentralized Partially Observable Markov Decision Processes (Dec-POMDPs)
• 30. State-of-the-art MARL algorithms
• 31. Value Decomposition Networks (VDN)
• 32. QMIX
• 33. MADDPG
• 34. Counterfactual Multi-Agent Policy Gradients (COMA)
• 35. Learning to Communicate in MARL
• 36. Multi-Agent Deep Deterministic Policy Gradient (MADDPG)
• 37. Multi-Agent Proximal Policy Optimization (MAPPO)
• 38. Multi-Agent Soft Actor-Critic (MASAC)
• 39. Multi-Agent Hierarchical Reinforcement Learning (MAHRL)
• 40. کاربردها و چالش‌های MARL
• 41. مدل‌سازی محیط‌های پیچیده
• 42. هماهنگی و ارتباط بین عامل‌ها
• 43. مقیاس‌پذیری در MARL
• 44. ناپایداری آموزش در MARL
• 45. حفظ حریم خصوصی و امنیت در MARL
• 46. کاربردهای MARL در رباتیک
• 47. کاربردها در سیستم‌های توزیع‌شده
• 48. کاربردها در بازی‌های کامپیوتری
• 49. کاربردها در بهینه‌سازی شبکه
• 50. کاربردها در امور مالی
• 51. کاربردها در بهداشت و درمان
• 52. کاربردها در حمل و نقل هوشمند
• 53. کاربردها در مدیریت منابع
• 54. یادگیری تقویتی در محیط‌های پویا
• 55. تطبیق‌پذیری عامل‌ها با تغییرات محیط
• 56. یادگیری تقویتی با پاداش‌های پراکنده
• 57. یادگیری تقویتی با پاداش‌های منفی
• 58. یادگیری تقویتی با یادگیری انتقالی
• 59. یادگیری تقویتی با یادگیری فدرال
• 60. یادگیری تقویتی توضیع‌پذیر
• 61. یادگیری تقویتی با شبکه عصبی کانولوشنال
• 62. یادگیری تقویتی با شبکه عصبی بازگشتی
• 63. یادگیری تقویتی با شبکه‌های توجه
• 64. یادگیری تقویتی با مدل‌های زبانی بزرگ
• 65. معرفی ابزارهای شبیه‌سازی برای MARL
• 66. OpenAI Gym و Farama Foundation
• 67. PettingZoo
• 68. PyMARL
• 69. SMAC (StarCraft Multi-Agent Challenge)
• 70. MATLAB Reinforcement Learning Toolbox
• 71. DeepMind Lab
• 72. Unity ML-Agents
• 73. TensorFlow Agents
• 74. RLlib
• 75. کتابخانه‌های پیاده‌سازی الگوریتم‌های MARL
• 76. معیارهای ارزیابی عملکرد در MARL
• 77. چالش‌های اخلاقی در MARL
• 78. مسئولیت‌پذیری عامل‌های هوشمند
• 79. شفافیت در تصمیم‌گیری عامل‌ها
• 80. امنیت عامل‌های خودمختار
• 81. آینده پژوهش در یادگیری تقویتی چندعامله
• 82. یادگیری تقویتی عمیق چندعامله
• 83. یادگیری تقویتی با عامل‌های ناهمگن
• 84. یادگیری تقویتی با یادگیری خودنظارتی
• 85. یادگیری تقویتی با یادگیری تقویتی مبتنی بر شواهد
• 86. یادگیری تقویتی با یادگیری تقویتی مبتنی بر توضیحات
• 87. یادگیری تقویتی با یادگیری تقویتی تقویتی
• 88. یادگیری تقویتی با یادگیری تقویتی تکاملی
• 89. یادگیری تقویتی با یادگیری تقویتی مبتنی بر مدل
• 90. یادگیری تقویتی با یادگیری تقویتی بدون مدل
• 91. یادگیری تقویتی با یادگیری تقویتی یادگیری
• 92. یادگیری تقویتی با یادگیری تقویتی هوشمند
• 93. یادگیری تقویتی با یادگیری تقویتی پیشرفته