دوره یادگیری تقویتی (Reinforcement Learning) با Python و OpenAI Gym همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره یادگیری تقویتی (Reinforcement Learning) با Python و OpenAI Gym

موضوع کلی: برنامه نویسی

موضوع میانی: حوزه‌های تخصصی**

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری تقویتی (Reinforcement Learning)
• 2. عوامل کلیدی در RL: عامل، محیط، حالت، عمل، پاداش
• 3. مقایسه RL با یادگیری نظارت شده و نظارت نشده
• 4. فرمول‌بندی مسئله RL: فرآیندهای تصمیم‌گیری مارکوف (MDP)
• 5. مروری بر اصول پایتون برای RL
• 6. نصب و راه‌اندازی محیط توسعه (کتابخانه‌ها و ابزارها)
• 7. معرفی OpenAI Gym و مفهوم محیط‌ها
• 8. اولین قدم‌ها: تعامل با یک محیط ساده در Gym
• 9. انواع مسائل RL: اپیزودیک در برابر مداوم
• 10. چالش‌ها و چشم‌اندازهای یادگیری تقویتی
• 11. تعریف و اجزای فرآیندهای تصمیم‌گیری مارکوف (MDP)
• 12. بازده (Returns) و عامل تخفیف (Discount Factor)
• 13. سیاست‌ها (Policies): قطعی در برابر تصادفی
• 14. توابع ارزش (Value Functions): ارزش حالت و ارزش عمل
• 15. معادلات بل‌من (Bellman Equations) برای توابع ارزش
• 16. سیاست‌های بهینه و توابع ارزش بهینه
• 17. مقدمه‌ای بر برنامه‌ریزی پویا (Dynamic Programming)
• 18. ارزیابی سیاست (Policy Evaluation): پیش‌بینی ارزش
• 19. بهبود سیاست (Policy Improvement)
• 20. تکرار سیاست و تکرار ارزش (Policy Iteration & Value Iteration)
• 21. یادگیری تقویتی مبتنی بر مدل در برابر بدون مدل
• 22. برنامه‌ریزی (Planning) در RL
• 23. الگوریتم تکرار ارزش (Value Iteration Algorithm)
• 24. الگوریتم تکرار سیاست (Policy Iteration Algorithm)
• 25. تکرار سیاست تعمیم‌یافته (Generalized Policy Iteration - GPI)
• 26. معرفی روش‌های مونت کارلو (Monte Carlo Methods)
• 27. پیش‌بینی مونت کارلو (MC Prediction): بازدید اول و هر بازدید
• 28. تخمین توابع ارزش حالت با MC
• 29. تخمین توابع ارزش عمل با MC
• 30. کنترل مونت کارلو (MC Control): سیاست‌های On-Policy
• 31. کنترل مونت کارلو: سیاست‌های Off-Policy
• 32. نمونه‌برداری با اهمیت (Importance Sampling)
• 33. مسئله اکتشاف در برابر بهره‌برداری (Exploration vs. Exploitation)
• 34. سیاست‌های اپسیلون-حریصانه (Epsilon-Greedy Policies)
• 35. پیاده‌سازی مونت کارلو در یک محیط ساده Gym
• 36. معرفی یادگیری اختلاف زمانی (Temporal-Difference Learning - TD)
• 37. مزایای TD نسبت به مونت کارلو
• 38. پیش‌بینی TD(0) و به‌روزرسانی‌های یک مرحله‌ای
• 39. کنترل TD On-Policy: الگوریتم SARSA
• 40. گام به گام: پیاده‌سازی SARSA
• 41. پیاده‌سازی SARSA در محیط‌های Gym
• 42. کنترل TD Off-Policy: الگوریتم Q-Learning
• 43. گام به گام: پیاده‌سازی Q-Learning
• 44. پیاده‌سازی Q-Learning در محیط‌های Gym
• 45. مقایسه SARSA و Q-Learning: On-Policy در برابر Off-Policy
• 46. SARSA انتظاری (Expected SARSA)
• 47. پیش‌بینی TD N-مرحله‌ای
• 48. SARSA N-مرحله‌ای
• 49. Q-Learning N-مرحله‌ای
• 50. TD(lambda) و ردهای واجد شرایط (Eligibility Traces)
• 51. لزوم استفاده از تقریب تابع (Function Approximation)
• 52. تقریب تابع خطی
• 53. مهندسی ویژگی (Feature Engineering) برای RL
• 54. مونت کارلوی گرادیانی (Gradient Monte Carlo)
• 55. TD(0) نیمه‌گرادیانی (Semi-Gradient TD(0))
• 56. مروری بر اصول شبکه‌های عصبی برای RL
• 57. معرفی کتابخانه‌های یادگیری عمیق (TensorFlow/PyTorch)
• 58. شبکه‌های Q-عمیق (Deep Q-Networks - DQN)
• 59. تجربه تکرار (Experience Replay)
• 60. هدف‌گذاری Q ثابت (Fixed Q-targets)
• 61. معماری و آموزش DQN
• 62. پیاده‌سازی DQN در یک محیط Gym
• 63. DQN دوگانه (Double DQN)
• 64. DQN دوئلی (Dueling DQN)
• 65. تجربه تکرار اولویت‌بندی شده (Prioritized Experience Replay)
• 66. DQN دسته‌بندی شده (Categorical DQN - C51)
• 67. Rainbow DQN (ترکیب بهبودها)
• 68. SARSA با تقریب تابع
• 69. SARSA عمیق (Deep SARSA)
• 70. مشکلات ناپایداری در یادگیری Q عمیق
• 71. معرفی روش‌های مبتنی بر سیاست (Policy-Based Methods)
• 72. مزایای گرادیان سیاست نسبت به روش‌های مبتنی بر ارزش
• 73. قضیه گرادیان سیاست (Policy Gradient Theorem)
• 74. REINFORCE: گرادیان سیاست مونت کارلو
• 75. REINFORCE با خط پایه (Baseline)
• 76. روش‌های بازیگر-منتقد (Actor-Critic Methods)
• 77. A2C (Advantage Actor-Critic)
• 78. A3C (Asynchronous Advantage Actor-Critic) - اصول کلی
• 79. پیاده‌سازی REINFORCE/A2C در محیط Gym
• 80. بهینه‌سازی سیاست‌های مجاور (Proximal Policy Optimization - PPO)
• 81. استراتژی‌های پیشرفته اکتشاف
• 82. انگیزه درونی (Intrinsic Motivation)
• 83. مقدمه‌ای بر یادگیری تقویتی چندعامله (Multi-Agent RL - MARL)
• 84. MARL: همکاری در برابر رقابت
• 85. فرآیندهای تصمیم‌گیری مارکوف با مشاهده جزئی (Partially Observable MDPs - POMDPs)
• 86. یادگیری تقویتی سلسله‌مراتبی (Hierarchical RL)
• 87. یادگیری تقلیدی (Imitation Learning) و شبیه‌سازی رفتاری
• 88. یادگیری تقویتی معکوس (Inverse Reinforcement Learning - IRL)
• 89. یادگیری انتقالی (Transfer Learning) در RL
• 90. فرایادگیری (Meta-Learning) در RL
• 91. یادگیری تقویتی آفلاین (Offline Reinforcement Learning)
• 92. ایمنی در یادگیری تقویتی (Safe RL)
• 93. استراتژی‌های تکاملی (Evolutionary Strategies) به عنوان جایگزینی برای RL
• 94. کاربردهای یادگیری تقویتی (رباتیک، بازی‌ها، مالی، پزشکی)
• 95. چالش‌ها و مسیرهای تحقیقاتی آینده در RL
• 96. تنظیم هایپرپارامترها (Hyperparameter Tuning) در RL
• 97. اشکال‌زدایی (Debugging) عامل‌های RL
• 98. بنچمارک‌گذاری و مقایسه الگوریتم‌های RL
• 99. انتخاب الگوریتم مناسب برای مسئله مورد نظر
• 100. ساخت یک پروژه کامل RL: طراحی محیط و آموزش عامل