سپنتا کتاب اکسپرس
کتاب بهینه‌سازی استراتژی‌ها در بازی‌های گروهی با یادگیری تقویتی چندعامله

کتاب بهینه‌سازی استراتژی‌ها در بازی‌های گروهی با یادگیری تقویتی چندعامله

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 62,488 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره بهینه‌سازی استراتژی‌ها در بازی‌های گروهی با یادگیری تقویتی چندعامله

موضوع کلی: یادگیری تقویتی چندعامله (MARL)

موضوع میانی: یادگیری تقویتی چندعامله برای بازی‌های استراتژیک پیچیده

📋 سرفصل‌های دوره

  • 1. مقدمه‌ای بر یادگیری تقویتی چندعامله
  • 2. مبانی نظریه بازی‌ها و کاربرد آن در هوش مصنوعی
  • 3. مدل‌های همکاری و رقابت در بازی‌های گروهی
  • 4. مفاهیم عامل هوشمند و محیط بازی
  • 5. یادگیری عامل منفرد و معرفی روش‌های پایه
  • 6. الگوریتم‌های یادگیری تقویتی مبتنی بر ارزش (Value-based)
  • 7. یادگیری Q-Learning و توسعه آن
  • 8. الگوریتم‌های یادگیری تقویتی مبتنی بر سیاست (Policy-based)
  • 9. معرفی روش‌های گرادیان سیاست (Policy Gradient)
  • 10. ترکیب روش‌های مبتنی بر ارزش و سیاست
  • 11. یادگیری عمیق در یادگیری تقویتی (Deep Reinforcement Learning)
  • 12. شبکه‌های عصبی کانولوشنال برای پردازش ورودی‌های تصویری
  • 13. شبکه‌های عصبی بازگشتی برای پردازش دنباله‌های زمانی
  • 14. معماری‌های یادگیری عمیق تقویتی
  • 15. یادگیری تقویتی معکوس (Inverse Reinforcement Learning)
  • 16. استخراج تابع پاداش از رفتار مشاهده شده
  • 17. کاربرد یادگیری تقویتی معکوس در مهندسی
  • 18. مقدمه‌ای بر یادگیری تقویتی چندعامله (MARL)
  • 19. چالش‌های کلیدی در MARL: عدم سکون (Non-stationarity)
  • 20. چالش‌های کلیدی در MARL: پیچیدگی حالت-عمل
  • 21. چالش‌های کلیدی در MARL: ارتباطات بین عامل‌ها
  • 22. طبقه‌بندی رویکردهای MARL
  • 23. رویکردهای مرکزی (Centralized) در MARL
  • 24. رویکردهای غیرمتمرکز (Decentralized) در MARL
  • 25. رویکردهای ترکیبی (Hybrid) در MARL
  • 26. مدل‌های یادگیری مشترک (Joint Action Learning)
  • 27. یادگیری تقویتی با عامل‌های مستقل (Independent Learners)
  • 28. مشکل عدم سکون در عامل‌های مستقل
  • 29. روش‌های مقابله با عدم سکون در عامل‌های مستقل
  • 30. یادگیری مبتنی بر تجربه مشترک (Shared Experience)
  • 31. یادگیری با حافظه مشترک (Shared Memory)
  • 32. شبکه‌های عصبی متمرکز-غیرمتمرکز (Centralized Training with Decentralized Execution - CTDE)
  • 33. معماری‌های MADDPG (Multi-Agent Deep Deterministic Policy Gradient)
  • 34. معماری‌های QMIX (Value Decomposition Networks)
  • 35. معماری‌های VDN (Value Decomposition Networks)
  • 36. معماری‌های COMA (Counterfactual Multi-Agent Policy Gradients)
  • 37. استفاده از مدل‌های محیطی در MARL
  • 38. یادگیری تقویتی با پیش‌بینی مدل محیط
  • 39. کاربرد مدل‌های محیطی در هماهنگی عامل‌ها
  • 40. مباحث پیشرفته در MARL: ارتباطات بین عامل‌ها
  • 41. مکانیزم‌های ارتباطی یادگیری شده (Learned Communication)
  • 42. پروتکل‌های ارتباطی در MARL
  • 43. مدل‌سازی عامل‌های دیگر (Opponent Modeling)
  • 44. یادگیری مبتنی بر بازی‌های شبیه‌سازی شده
  • 45. پیاده‌سازی و ارزیابی مدل‌های MARL
  • 46. محیط‌های شبیه‌سازی برای MARL (مانند PettingZoo)
  • 47. مجموعه داده‌های استاندارد برای ارزیابی MARL
  • 48. معیارهای ارزیابی عملکرد در MARL
  • 49. بهینه‌سازی استراتژی‌ها در بازی‌های همکاری
  • 50. بهینه‌سازی استراتژی‌ها در بازی‌های رقابتی
  • 51. بهینه‌سازی استراتژی‌ها در بازی‌های مختلط
  • 52. کاربرد MARL در رباتیک گروهی
  • 53. کاربرد MARL در سیستم‌های حمل و نقل هوشمند
  • 54. کاربرد MARL در مدیریت منابع انرژی
  • 55. کاربرد MARL در بازی‌های رایانه‌ای (مانند StarCraft)
  • 56. کاربرد MARL در بازارهای مالی (با رعایت قوانین)
  • 57. مباحث اخلاقی در هوش مصنوعی چندعامله
  • 58. مسئولیت‌پذیری در سیستم‌های هوشمند گروهی
  • 59. امنیت در سیستم‌های هوشمند گروهی
  • 60. قابلیت تفسیرپذیری (Explainability) در MARL
  • 61. روش‌های یادگیری تقویتی برای مسائل بهینه‌سازی گسسته
  • 62. کاربرد MARL در تخصیص منابع
  • 63. کاربرد MARL در زمان‌بندی وظایف
  • 64. کاربرد MARL در مسیریابی پویا
  • 65. رویکردهای یادگیری تقویتی برای مسائل مقیاس‌پذیر
  • 66. یادگیری تقویتی با استفاده از تقریب تابع ارزش
  • 67. یادگیری تقویتی با استفاده از تقریب تابع سیاست
  • 68. تکنیک‌های اکتشاف (Exploration) در MARL
  • 69. استراتژی‌های اکتشاف مبتنی بر آنتروپی
  • 70. استراتژی‌های اکتشاف مبتنی بر پاداش اضافی
  • 71. یادگیری تقویتی بدون ناظر (Unsupervised RL) در MARL
  • 72. یادگیری تقویتی با پاداش پراکنده (Sparse Rewards)
  • 73. روش‌های افزایش پاداش (Reward Shaping)
  • 74. یادگیری تقویتی با مدل‌های احتمالی
  • 75. شبکه‌های مولد تخاصمی (GANs) در MARL
  • 76. یادگیری تقویتی با استفاده از مدل‌های گراف عصبی (GNNs)
  • 77. کاربرد GNNs در نمایش روابط بین عامل‌ها
  • 78. یادگیری تقویتی با توجه به ساختار بازی
  • 79. یادگیری از طریق تقلید (Imitation Learning) در MARL
  • 80. یادگیری از طریق مشاهده (Observation Learning)
  • 81. کاربرد MARL در مسائل کنترل توزیع شده
  • 82. مباحث پیشرفته در ارتباطات عامل‌ها
  • 83. یادگیری ارتباطات با استفاده از شبکه‌های توجه (Attention Mechanisms)
  • 84. مدل‌سازی عوامل با توانایی‌های متفاوت
  • 85. یادگیری تقویتی در محیط‌های پویا
  • 86. انتقال یادگیری (Transfer Learning) در MARL
  • 87. یادگیری تقویتی برای مسائل با تعداد عامل‌های متغیر
  • 88. کاربرد MARL در سیستم‌های توصیه‌گر (با رعایت چارچوب)
  • 89. کاربرد MARL در بهینه‌سازی زنجیره تأمین (با رعایت چارچوب)
  • 90. کاربرد MARL در تحلیل رفتار مصرف‌کننده (با رعایت چارچوب)
  • 91. مبانی اقتصاد رفتاری در MARL
  • 92. مفاهیم نظریه بازی‌ها در اقتصاد (با رعایت چارچوب)
  • 93. پیاده‌سازی الگوریتم‌های MARL با فریم‌ورک‌های استاندارد
  • 94. برنامه‌نویسی پایتون برای MARL
  • 95. کتابخانه‌های پرکاربرد در MARL (مانند Ray RLlib)
  • 96. نکات عملی در آموزش مدل‌های MARL
  • 97. دیباگ کردن و عیب‌یابی در MARL
  • 98. معماری‌های پیشرفته‌تر در CTDE
  • 99. روش‌های یادگیری مبتنی بر هماهنگی (Coordination Learning)
  • 100. یادگیری تقویتی با در نظر گرفتن محدودیت‌های عملی

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.