اپلیکیشن اندرویدی فلشکارت آموزشی رانندگی خودخواهانه، سود جمعی: ظهور عقلانیت جمعی در ترافیک مختلط با یادگیری تقویتی عمیق
🎓 دوره آموزشی جامع
📚 اطلاعات دوره
عنوان دوره: دوره رانندگی خودخواهانه، سود جمعی: ظهور عقلانیت جمعی در ترافیک مختلط با یادگیری تقویتی عمیق
موضوع کلی: وسایل نقلیه خودران و هوش مصنوعی در حمل و نقل
موضوع میانی: یادگیری تقویتی عمیق برای مدیریت ترافیک مختلط خودران
📋 سرفصلهای دوره
- 1. مبانی هوش مصنوعی در حمل و نقل
- 2. مقدمه ای بر وسایل نقلیه خودران
- 3. انواع سطوح خودرانندگی
- 4. چالش های وسایل نقلیه خودران
- 5. مقدمه ای بر یادگیری ماشین
- 6. انواع یادگیری ماشین: نظارت شده، بدون نظارت، تقویتی
- 7. یادگیری تقویتی: اصول اولیه
- 8. عناصر کلیدی یادگیری تقویتی: عامل، محیط، حالت، عمل، پاداش
- 9. چرخه یادگیری تقویتی
- 10. مسئله اکتشاف در برابر بهره برداری
- 11. مقدمه ای بر یادگیری تقویتی عمیق (DRL)
- 12. شبکه های عصبی در یادگیری تقویتی
- 13. یادگیری تقویتی عمیق در مقابل یادگیری تقویتی کلاسیک
- 14. الگوریتم های یادگیری تقویتی عمیق: Deep Q-Network (DQN)
- 15. مبانی DQN
- 16. پیاده سازی DQN
- 17. پیشرفت های DQN: Double DQN
- 18. پیشرفت های DQN: Dueling DQN
- 19. پیشرفت های DQN: Prioritized Experience Replay
- 20. الگوریتم های یادگیری تقویتی عمیق: Actor-Critic Methods
- 21. مبانی Actor-Critic
- 22. الگوریتم Advantage Actor-Critic (A2C)
- 23. الگوریتم Asynchronous Advantage Actor-Critic (A3C)
- 24. الگوریتم Proximal Policy Optimization (PPO)
- 25. الگوریتم Deep Deterministic Policy Gradient (DDPG)
- 26. الگوریتم Twin Delayed Deep Deterministic Policy Gradient (TD3)
- 27. الگوریتم Soft Actor-Critic (SAC)
- 28. مفاهیم پایه در مدیریت ترافیک
- 29. مدل های شبیه سازی ترافیک
- 30. مفهوم ترافیک مختلط (Mixed Traffic)
- 31. ترکیب وسایل نقلیه خودران و دستی
- 32. چالش های مدیریت ترافیک مختلط
- 33. رفتار رانندگان انسانی
- 34. رفتار عوامل خودران
- 35. مفهوم عقلانیت جمعی (Collective Rationality)
- 36. مفهوم خودخواهی (Self-Interest)
- 37. تئوری بازی و کاربرد آن در ترافیک
- 38. تعادل نش (Nash Equilibrium)
- 39. تعادل نش محدود (Bounded Nash Equilibrium)
- 40. پیاده سازی DRL برای کنترل ترافیک
- 41. تعریف مسئله DRL برای مدیریت ترافیک مختلط
- 42. تعریف عامل (Agent) در ترافیک مختلط
- 43. تعریف محیط (Environment) ترافیک مختلط
- 44. تعریف فضای حالت (State Space)
- 45. تعریف فضای عمل (Action Space)
- 46. طراحی تابع پاداش (Reward Function) برای عوامل خودران
- 47. پاداش های متمرکز بر خودخواهی (Self-interested Rewards)
- 48. پاداش های متمرکز بر سود جمعی (Systemic Benefits Rewards)
- 49. طراحی تابع پاداش ترکیبی
- 50. مطالعه موردی: شبیه سازی ترافیک در یک شبکه بزرگراهی
- 51. پیاده سازی DRL در شبیه ساز ترافیک
- 52. آموزش عامل های DRL برای رفتار خودخواهانه
- 53. آموزش عامل های DRL برای در نظر گرفتن سود جمعی
- 54. تحلیل نتایج: مقایسه رفتار خودخواهانه و سود جمعی
- 55. شاخص های ارزیابی عملکرد سیستم ترافیک
- 56. معیارهای کلان: میانگین سرعت، تاخیر، ظرفیت
- 57. معیارهای خرد: شتاب، ترمز، تغییر مسیر
- 58. تحلیل ظهور عقلانیت جمعی از رفتارهای خودخواهانه
- 59. تأثیر نسبت وسایل نقلیه خودران بر عقلانیت جمعی
- 60. تأثیر طراحی تابع پاداش بر رفتار عوامل
- 61. روش های ارزیابی عقلانیت جمعی
- 62. تحلیل پایداری سیستم در شرایط مختلف
- 63. تأثیر نویز و عدم قطعیت در محیط
- 64. حملات احتمالی و امنیت سیستم
- 65. پیشرفت های اخیر در DRL برای ترافیک
- 66. یادگیری تقویتی چندعاملی (Multi-Agent RL)
- 67. معماری های شبکه عصبی پیشرفته برای DRL
- 68. تکنیک های انتقال یادگیری (Transfer Learning)
- 69. روش های یادگیری تقلیدی (Imitation Learning)
- 70. یادگیری تقویتی بر پایه مدل (Model-based RL)
- 71. کاربرد DRL در سناریوهای پیچیده ترافیک
- 72. تقاطع ها و پیچ های پر ترافیک
- 73. شرایط اضطراری و واکنشی
- 74. مدیریت ترافیک در شهرهای هوشمند
- 75. اهمیت داده ها و جمع آوری آن ها
- 76. پلتفرم های شبیه سازی و پیاده سازی DRL
- 77. تحدیدات اخلاقی و اجتماعی DRL در حمل و نقل
- 78. ملاحظات حریم خصوصی
- 79. مسئولیت پذیری در سیستم های خودران
- 80. آینده DRL در حوزه حمل و نقل
- 81. روند تحقیقات آینده
- 82. پروژه های عملی با استفاده از DRL
- 83. نکات عملی برای پیاده سازی DRL
- 84. چالش های مهندسی نرم افزار
- 85. مقایسه با روش های سنتی مدیریت ترافیک
- 86. درس آموخته ها از مقاله "Self-Interest and Systemic Benefits"
- 87. اصول طراحی عامل های خودران
- 88. اهمیت مدل سازی تعاملات
- 89. نقش DRL در بهبود جریان ترافیک
- 90. نتیجه گیری و جمع بندی دوره
این اپلیکیشن فارسی برای یادگیری و مرور محتوای آموزشی از طریق فلشکارت طراحی شده است. کارتها را یکییکی مرور کنید، پاسخ پرسشها را به یاد بیاورید و نتیجه هر پاسخ را ثبت کنید. محتوای دوره پس از نصب درون برنامه در دسترس است تا برای مطالعه روزمره معمولاً به اتصال مداوم اینترنت نیاز نداشته باشید.
محتوای آموزشی در قالبهای متنوع ارائه میشود تا هم برای یادگیری مفاهیم جدید و هم برای تثبیت آموختهها قابل استفاده باشد.
- رابط کاربری فارسی و راستچین با فونت وزیر.
- تم روشن و تیره مطابق تنظیمات سیستم.
- صفحهبندی ساده برای انتخاب دوره و شروع مرور.
- نمایش تعداد دفعات مرور هر فصل.
- انتخاب چند فصل برای مرور همزمان.
- امکان تمرکز بر فصلهایی که هنوز مرور نشدهاند.
این اپلیکیشن برای دانشآموزان، دانشجویان، داوطلبان آزمونها و علاقهمندان به یادگیری طراحی شده است؛ بهویژه کسانی که میخواهند مطالب آموزشی را در زمانهای کوتاه مرور کنند، دانستههای خود را بسنجند و مطالعه منظمتری داشته باشند.
نظرات
هنوز نظری ثبت نشده است.
وارد شوید تا نظر ثبت کنید.