کتاب صوتی مدل‌های پیش‌بینی برای یادگیری همکاری و رقابت در MARL

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مدل‌های پیش‌بینی برای یادگیری همکاری و رقابت در MARL

موضوع کلی: یادگیری تقویتی چندعامله (MARL)

موضوع میانی: مدل‌های پیش‌بینی (Model-based RL)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری تقویتی چندعاملی
• 2. مفاهیم پایه یادگیری تقویتی
• 3. محیط‌های یادگیری تقویتی
• 4. عامل‌های یادگیری تقویتی
• 5. تابع پاداش و تابع ارزش
• 6. یادگیری اکتشافی و بهره‌برداری
• 7. الگوریتم‌های یادگیری تقویتی کلاسیک
• 8. یادگیری Q
• 9. یادگیری Sarsa
• 10. یادگیری Deep Q-Network (DQN)
• 11. بهینه‌سازی DQN
• 12. یادگیری Actor-Critic
• 13. الگوریتم‌های Actor-Critic پیشرفته
• 14. مقدمه‌ای بر سیستم‌های چندعاملی
• 15. مفاهیم پایه یادگیری همکاری
• 16. مفاهیم پایه یادگیری رقابتی
• 17. مدل‌های همکاری در MARL
• 18. مدل‌های رقابت در MARL
• 19. مدل‌های ترکیبی همکاری و رقابت
• 20. چالش‌های یادگیری همکاری
• 21. چالش‌های یادگیری رقابتی
• 22. تعادل نش در سیستم‌های چندعاملی
• 23. یادگیری مبتنی بر عامل مرکزی (Centralized Training)
• 24. یادگیری مبتنی بر عامل غیرمتمرکز (Decentralized Execution)
• 25. معماری‌های یادگیری چندعاملی
• 26. استراتژی‌های ارتباطی بین عامل‌ها
• 27. یادگیری ارتباطات در MARL
• 28. یادگیری مبتنی بر بازی در MARL
• 29. بازی‌های با مجموع صفر (Zero-Sum Games)
• 30. بازی‌های با مجموع غیرصفر (Non-Zero-Sum Games)
• 31. یادگیری مبتنی بر نظریه بازی‌ها
• 32. مدل‌های پیش‌بینی برای همکاری
• 33. مدل‌های پیش‌بینی برای رقابت
• 34. مدل‌های پیش‌بینی برای تعاملات ترکیبی
• 35. پیش‌بینی رفتار عامل‌های همکار
• 36. پیش‌بینی رفتار عامل‌های رقیب
• 37. پیش‌بینی نقاط تعادل
• 38. کاربرد مدل‌های پیش‌بینی در MARL
• 39. کاربرد در رباتیک
• 40. کاربرد در بازی‌های کامپیوتری
• 41. کاربرد در سیستم‌های توزیع‌شده
• 42. کاربرد در مدیریت منابع
• 43. کاربرد در شبکه‌های حمل و نقل
• 44. کاربرد در تحلیل بازارهای مالی (در چارچوب مقررات)
• 45. کاربرد در بهینه‌سازی سیستم‌های هوشمند
• 46. مدل‌های پیش‌بینی مبتنی بر شبکه‌های عصبی
• 47. شبکه‌های عصبی بازگشتی (RNN) برای پیش‌بینی
• 48. شبکه‌های عصبی کانولوشونی (CNN) برای پیش‌بینی
• 49. شبکه‌های حافظه بلند-کوتاه مدت (LSTM)
• 50. شبکه‌های حافظه ترتیبی (GRU)
• 51. معماری‌های ترنسفورمر در پیش‌بینی
• 52. یادگیری انتقالی (Transfer Learning) در MARL
• 53. یادگیری تقویتی از طریق تقلید (Imitation Learning)
• 54. یادگیری تقویتی از طریق مدل (Model-Based RL)
• 55. یادگیری تقویتی بدون مدل (Model-Free RL)
• 56. یادگیری تقویتی با پاداش پراکنده
• 57. یادگیری تقویتی با پاداش مصنوعی
• 58. مهندسی پاداش در MARL
• 59. روش‌های ارزیابی عملکرد در MARL
• 60. شاخص‌های همکاری
• 61. شاخص‌های رقابت
• 62. شاخص‌های کارایی کلی سیستم
• 63. شبیه‌سازی محیط‌های MARL
• 64. پیاده‌سازی الگوریتم‌های MARL
• 65. کتابخانه‌ها و ابزارهای MARL
• 66. مباحث پیشرفته در MARL
• 67. یادگیری همکاری با عامل‌های نامطمئن
• 68. یادگیری رقابت با عامل‌های سازگار
• 69. یادگیری در محیط‌های پویا
• 70. یادگیری در محیط‌های با ابعاد بالا
• 71. نظریه اطلاعات در MARL
• 72. یادگیری تقویتی با عامل‌های یادگیرنده
• 73. یادگیری تقویتی با عامل‌های ثابت
• 74. یادگیری تقویتی برای بهینه‌سازی زنجیره تأمین (در چارچوب مقررات)
• 75. یادگیری تقویتی برای مدیریت ترافیک (در چارچوب مقررات)
• 76. یادگیری تقویتی برای مدیریت شبکه‌های انرژی (در چارچوب مقررات)
• 77. یادگیری تقویتی برای بهینه‌سازی مصرف منابع (در چارچوب مقررات)
• 78. یادگیری تقویتی برای برنامه‌ریزی تولید (در چارچوب مقررات)
• 79. یادگیری تقویتی برای تصمیم‌گیری‌های استراتژیک (در چارچوب مقررات)
• 80. یادگیری تقویتی برای تخصیص منابع (در چارچوب مقررات)
• 81. یادگیری تقویتی برای پیش‌بینی تقاضا (در چارچوب مقررات)
• 82. یادگیری تقویتی برای هماهنگی در سیستم‌های رباتیک
• 83. یادگیری تقویتی برای بهینه‌سازی الگوریتم‌های مسیریابی
• 84. یادگیری تقویتی برای بهبود کارایی سیستم‌های توزیع‌شده
• 85. یادگیری تقویتی برای مدیریت ریسک (در چارچوب مقررات)
• 86. یادگیری تقویتی برای پیش‌بینی الگوهای رفتاری (در چارچوب مقررات)
• 87. یادگیری تقویتی برای بهینه‌سازی فرآیندهای کسب‌وکار (در چارچوب مقررات)
• 88. یادگیری تقویتی برای تحلیل داده‌های کلان (در چارچوب مقررات)
• 89. اخلاق در یادگیری تقویتی چندعاملی
• 90. مسائل امنیتی در MARL
• 91. حریم خصوصی در MARL
• 92. شفافیت و قابلیت تفسیر در MARL
• 93. پایداری و استحکام الگوریتم‌های MARL
• 94. آینده پژوهش در MARL
• 95. چشم‌انداز مدل‌های پیش‌بینی در MARL