اپلیکیشن اندرویدی فلش‌کارت آموزشی بازی‌های تصادفی و یادگیری تقویتی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره بازی‌های تصادفی و یادگیری تقویتی

موضوع کلی: مدل‌سازی و حل معادلات دیفرانسیل تصادفی در بازی‌های میانگین میدانی

موضوع میانی: مدل‌سازی رفتار با حافظه

📋 سرفصل‌های دوره

• 1. مبانی نظری بازی‌های تصادفی
• 2. احتمالات و کاربرد آن در بازی‌ها
• 3. متغیرهای تصادفی و توزیع‌های احتمال
• 4. ماتریس تصمیم‌گیری و استراتژی‌ها
• 5. بازی‌های جمع‌صفر و بازی‌های جمع‌غیرصفر
• 6. معرفی یادگیری تقویتی
• 7. عناصر اصلی یادگیری تقویتی
• 8. محیط، عامل و پاداش
• 9. تابع ارزش و سیاست
• 10. روش‌های یادگیری تقویتی مبتنی بر ارزش
• 11. Q-Learning و کاربردهای آن
• 12. SARSA و تفاوت آن با Q-Learning
• 13. روش‌های یادگیری تقویتی مبتنی بر سیاست
• 14. Policy Gradient و کاربردهای آن
• 15. الگوریتم‌های اکتشاف و بهره‌برداری
• 16. ε-Greedy و UCB
• 17. حل مسائل چند مرحله‌ای با یادگیری تقویتی
• 18. روش‌های برنامه‌ریزی پویا
• 19. تکنیک‌های تقریب تابع ارزش
• 20. شبکه‌های عصبی و یادگیری تقویتی عمیق
• 21. Deep Q-Network (DQN)
• 22. مقدمه‌ای بر الگوریتم‌های Actor-Critic
• 23. A2C و A3C
• 24. روش‌های پیشرفته یادگیری تقویتی
• 25. DDPG و TD3
• 26. یادگیری تقویتی در محیط‌های پیوسته
• 27. یادگیری تقویتی چندعاملی
• 28. بازی‌های استراتژیک و یادگیری تقویتی
• 29. کاربرد یادگیری تقویتی در رباتیک
• 30. یادگیری تقویتی در کنترل بهینه
• 31. یادگیری تقویتی در مدیریت منابع
• 32. یادگیری تقویتی در مسائل مالی
• 33. بازی‌های تخته‌ای و یادگیری تقویتی
• 34. بازی شطرنج و یادگیری تقویتی
• 35. بازی Go و یادگیری تقویتی
• 36. بازی‌های ویدیویی و یادگیری تقویتی
• 37. یادگیری تقویتی در بازی‌های Atari
• 38. بهینه‌سازی پارامترهای یادگیری تقویتی
• 39. انتخاب نرخ یادگیری و پارامترهای گام
• 40. تنظیم هایپرپارامترها در یادگیری تقویتی
• 41. ارزیابی عملکرد الگوریتم‌های یادگیری تقویتی
• 42. معیارهای ارزیابی و تحلیل نتایج
• 43. چالش‌ها و محدودیت‌های یادگیری تقویتی
• 44. مشکلات مربوط به پاداش‌های پراکنده
• 45. مشکلات مربوط به اکتشاف و بهره‌برداری