دوره همگرایی الگوریتم‌های بدون پشیمانی به تعادل نش در بازی‌های چانه‌زنی: رویکردی نوین همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره همگرایی الگوریتم‌های بدون پشیمانی به تعادل نش در بازی‌های چانه‌زنی: رویکردی نوین

موضوع کلی: یادگیری ماشینی در نظریه بازی‌ها

موضوع میانی: یادگیری بدون پشیمانی و همگرایی به تعادل

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر نظریه بازی‌ها
• 2. بازیگران، راهبردها و توابع سودمندی
• 3. انواع بازی‌ها: بازی‌های همکارانه و غیرهمکارانه
• 4. نمایش بازی‌ها: فرم نرمال و فرم گسترده
• 5. مفهوم راهبرد: خالص و ترکیبی
• 6. غلبه راهبردی و حذف راهبردهای مغلوب
• 7. تعادل نش: تعریف و اهمیت
• 8. مثال‌هایی از تعادل نش
• 9. وجود تعادل نش (قضیه نش)
• 10. چالش‌های تعادل نش: چندگانگی و انتخاب
• 11. تعادل‌های نش در راهبردهای ترکیبی
• 12. بازی‌های با مجموع صفر
• 13. مقدمه‌ای بر بازی‌های دینامیک و زیربازی‌های کامل
• 14. اطلاعات در بازی‌ها: کامل و ناکامل
• 15. بازی‌های تکراری و قضایای فولک
• 16. معرفی بازی‌های چانه‌زنی
• 17. ویژگی‌های بازی‌های چانه‌زنی
• 18. مدل‌سازی فرآیند چانه‌زنی
• 19. راه حل چانه‌زنی نش: اصول موضوعه و فرمول‌بندی
• 20. نقاط ناسازگاری و مجموعه امکان‌پذیر
• 21. تفسیر راه حل چانه‌زنی نش
• 22. راه حل چانه‌زنی کالای-اسمرودینسکی
• 23. مقایسه راه حل‌های چانه‌زنی
• 24. کاربردهای بازی‌های چانه‌زنی در اقتصاد و علوم کامپیوتر
• 25. چانه‌زنی چندجانبه
• 26. محدودیت‌ها و فرضیات در مدل‌های چانه‌زنی
• 27. مبانی یادگیری ماشینی و بهینه‌سازی
• 28. الگوریتم‌های تکراری و همگرایی
• 29. توابع هدف و توابع زیان
• 30. گرادیان و نزول گرادیان
• 31. بهینه‌سازی محدب و مفاهیم مرتبط
• 32. فضای راهبرد و فضای سودمندی
• 33. یادگیری آنلاین در برابر یادگیری آفلاین
• 34. فرآیندهای یادگیری تکراری در بازی‌ها
• 35. یادگیری تقویتی در نظریه بازی‌ها (مقدمه)
• 36. مفاهیم پویایی در بازی‌ها
• 37. مفهوم پشیمانی (Regret) در یادگیری آنلاین
• 38. پشیمانی خارجی و تعریف ریاضی آن
• 39. هدف الگوریتم‌های بدون پشیمانی
• 40. مرزهای بالایی برای پشیمانی
• 41. الگوریتم‌های وزن‌دهی ضربی (Multiplicative Weights Update - MWU)
• 42. آنالیز همگرایی الگوریتم MWU (پشیمانی)
• 43. الگوریتم دنباله‌رو رهبر منظم‌سازی‌شده (Follow the Regularized Leader - FTRL)
• 44. ارتباط MWU و FTRL
• 45. نزول گرادیان آنلاین (Online Gradient Descent - OGD)
• 46. آنالیز پشیمانی برای OGD
• 47. نزول آینه‌ای (Mirror Descent)
• 48. انتخاب تابع منظم‌سازی در FTRL
• 49. انتخاب نرخ یادگیری در الگوریتم‌های بدون پشیمانی
• 50. پشیمانی داخلی و کاربردهای آن
• 51. پشیمانی جایگزینی (Swap Regret)
• 52. تعادل‌های همبسته و پشیمانی
• 53. همگرایی میانگین راهبردها به تعادل نش
• 54. شرایط لازم برای همگرایی میانگین
• 55. محدودیت‌های همگرایی میانگین راهبردها
• 56. معرفی مفهوم همگرایی تکرار آخر (Last-Iterate Convergence)
• 57. اهمیت همگرایی تکرار آخر در کاربردها
• 58. چرا همگرایی تکرار آخر چالش‌برانگیز است؟
• 59. مثال‌هایی از عدم همگرایی تکرار آخر
• 60. مفهوم "پویایی چرخش" در الگوریتم‌های بدون پشیمانی
• 61. شرایطی برای همگرایی تکرار آخر
• 62. نقش توابع پتانسیل در تحلیل همگرایی
• 63. تابع پتانسیل فیشر و پویایی‌های بازی
• 64. مفاهیم پایداری در سیستم‌های دینامیک یادگیری
• 65. خواص فضاهای راهبرد و سودمندی برای همگرایی
• 66. الگوریتم‌های مبتنی بر نزول آینه‌ای و همگرایی تکرار آخر
• 67. نرخ همگرایی در همگرایی تکرار آخر
• 68. فرمول‌بندی بازی‌های چانه‌زنی به عنوان یک بازی بی‌نقص
• 69. تعادل‌های نش در بازی‌های چانه‌زنی با تابع سودمندی مشخص
• 70. اعمال الگوریتم‌های بدون پشیمانی در چانه‌زنی
• 71. همگرایی پشیمانی در بازی‌های چانه‌زنی
• 72. چالش‌های همگرایی تکرار آخر در چانه‌زنی
• 73. معرفی رویکردهای نوین برای همگرایی تکرار آخر در چانه‌زنی
• 74. ساختار خاص بازی‌های چانه‌زنی که به همگرایی کمک می‌کند
• 75. تحلیل ریاضی الگوریتم‌های بدون پشیمانی در چانه‌زنی
• 76. نقش محدب بودن توابع سودمندی در چانه‌زنی
• 77. بررسی شرایط لیپ‌شیتس و یکنواختی
• 78. نتایج جدید در مورد همگرایی تکرار آخر در چانه‌زنی
• 79. کاربردهای عملی یادگیری بدون پشیمانی در چانه‌زنی
• 80. شبیه‌سازی و بررسی عملکرد الگوریتم‌ها
• 81. تأثیر نرخ‌های یادگیری پویا بر همگرایی
• 82. پایداری و مقاومت الگوریتم‌ها در برابر اختلالات
• 83. تعادل‌های چندگانه و همگرایی به یکی از آن‌ها
• 84. بازی‌های چانه‌زنی تکراری
• 85. یادگیری بدون پشیمانی در محیط‌های تصادفی
• 86. تعمیم به بازی‌های چندبازیکن
• 87. بازی‌های چانه‌زنی با اطلاعات ناکامل
• 88. یادگیری بدون پشیمانی در شبکه‌های پیچیده
• 89. ارتباط با یادگیری تقویتی چندعاملی
• 90. چالش‌های محاسباتی در مقیاس بزرگ
• 91. محدودیت‌های تئوری و عملی الگوریتم‌های فعلی
• 92. جهت‌گیری‌های تحقیقاتی آینده
• 93. کاربردهای فراتر: حراج‌ها، تخصیص منابع
• 94. بررسی الگوریتم‌های جدیدتر و پیشرفته‌تر
• 95. مسائل باز در همگرایی تکرار آخر
• 96. نقش عدم قطعیت در مدل‌سازی چانه‌زنی
• 97. مطالعه موردی: چانه‌زنی بر سر منابع محاسباتی
• 98. مطالعه موردی: مذاکرات تجاری و پروتکل‌های یادگیری
• 99. پیاده‌سازی عملی الگوریتم‌ها (مقدمه به کدنویسی)
• 100. خلاصه‌بندی و نتیجه‌گیری نهایی