دوره شبکه‌های عصبی بازگشتی و پردازش دنباله‌های طولانی در MARL همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره شبکه‌های عصبی بازگشتی و پردازش دنباله‌های طولانی در MARL

موضوع کلی: یادگیری تقویتی چندعامله (MARL)

موضوع میانی: شبکه‌های عصبی بازگشتی (RNN)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر شبکه‌های عصبی بازگشتی (RNN)
• 2. انواع شبکه‌های عصبی بازگشتی
• 3. شبکه‌های حافظه کوتاه‌مدت و بلندمدت (LSTM)
• 4. واحدهای بازگشتی گیت‌دار (GRU)
• 5. معماری‌های شبکه‌های عصبی بازگشتی
• 6. آموزش شبکه‌های عصبی بازگشتی
• 7. توابع زیان برای شبکه‌های عصبی بازگشتی
• 8. بهینه‌سازها در آموزش شبکه‌های عصبی بازگشتی
• 9. تنظیم ابرپارامترها در شبکه‌های عصبی بازگشتی
• 10. ارزیابی عملکرد شبکه‌های عصبی بازگشتی
• 11. پردازش زبان طبیعی با شبکه‌های عصبی بازگشتی
• 12. مدل‌سازی زبان
• 13. تولید متن
• 14. ترجمه ماشینی
• 15. تحلیل احساسات
• 16. خلاصه‌سازی متن
• 17. تشخیص موجودیت نام‌گذاری شده (NER)
• 18. برچسب‌گذاری بخش گفتار (POS)
• 19. شبکه‌های عصبی کانولوشنال (CNN) برای دنباله‌ها
• 20. کاربرد CNN در پردازش زبان طبیعی
• 21. مقدمه‌ای بر یادگیری تقویتی چند عاملی (MARL)
• 22. مفاهیم پایه یادگیری تقویتی
• 23. عوامل، محیط، پاداش
• 24. فرایندهای تصمیم‌گیری مارکوف (MDP)
• 25. تعریف MDP برای MARL
• 26. بازی‌ها به عنوان چارچوب MARL
• 27. بازی‌های مجموع صفر
• 28. بازی‌های مجموع غیر صفر
• 29. بازی‌های همکارانه
• 30. بازی‌های رقابتی
• 31. بازی‌های مختلط
• 32. تعریف عامل در MARL
• 33. حالت، عمل، مشاهده
• 34. فضای حالت مشترک و جداگانه
• 35. فضای عمل مشترک و جداگانه
• 36. مدل‌های یادگیری تقویتی تک عاملی در MARL
• 37. یادگیری Q تک عاملی
• 38. یادگیری مبتنی بر سیاست تک عاملی
• 39. چالش‌های MARL
• 40. عدم ایستایی محیط
• 41. عدم قطعیت در مورد عوامل دیگر
• 42. مقیاس‌پذیری
• 43. تکنیک‌های MARL
• 44. یادگیری Q مشترک (C-Learning)
• 45. یادگیری Q مبتنی بر عامل (AC-Learning)
• 46. یادگیری مبتنی بر عامل با استقلال (IQL)
• 47. یادگیری مبتنی بر عامل با هماهنگی (CC-Learning)
• 48. یادگیری سیاست مشترک (CS-Learning)
• 49. یادگیری سیاست مبتنی بر عامل (AC-Learning)
• 50. یادگیری سیاست با استقلال (ISL)
• 51. یادگیری سیاست با هماهنگی (CSL)
• 52. معماری‌های یادگیری عمیق در MARL
• 53. شبکه‌های عصبی عمیق برای Q-Learning
• 54. شبکه‌های عصبی عمیق برای Policy Gradient
• 55. شبکه‌های عصبی گراف (GNN) در MARL
• 56. معماری‌های مبتنی بر بازی
• 57. معماری‌های مبتنی بر ارتباطات
• 58. معماری‌های مبتنی بر مشاهده مشترک
• 59. معماری‌های مبتنی بر مدل محیطی
• 60. معماری‌های مبتنی بر مربی
• 61. کاربرد MARL در رباتیک
• 62. کنترل گروهی ربات‌ها
• 63. ناوبری ربات‌های همکار
• 64. مدیریت ترافیک ربات‌ها
• 65. سیستم‌های توزیع شده
• 66. کاربرد MARL در بازی‌ها
• 67. هوش مصنوعی در بازی‌های استراتژی
• 68. بازی‌های رومیزی چند نفره
• 69. بازی‌های ویدئویی آنلاین
• 70. کاربرد MARL در سیستم‌های توصیه‌گر
• 71. توصیه‌های شخصی‌سازی شده
• 72. مدیریت سبد محصولات
• 73. کاربرد MARL در شبکه‌های ارتباطی
• 74. تخصیص منابع
• 75. مدیریت ازدحام
• 76. کاربرد MARL در اقتصاد
• 77. مذاکرات و حراجی‌های هوشمند
• 78. مدل‌سازی بازارهای مالی
• 79. استراتژی‌های معاملاتی
• 80. پردازش دنباله‌های طولانی در MARL
• 81. چالش‌های دنباله‌های طولانی
• 82. ارتباطات بلندمدت بین عوامل
• 83. حفظ حافظه در عوامل
• 84. تکنیک‌های RNN برای پردازش دنباله‌های طولانی در MARL
• 85. استفاده از LSTM و GRU در معماری‌های MARL
• 86. شبکه‌های مبتنی بر توجه (Attention) در MARL
• 87. مکانیسم توجه برای انتخاب اطلاعات مرتبط
• 88. توجه خودی (Self-Attention) در MARL
• 89. توجه متقابل (Cross-Attention) بین عوامل
• 90. کاربرد شبکه‌های مبتنی بر توجه در MARL
• 91. بهبود یادگیری در محیط‌های با اطلاعات پراکنده
• 92. مدل‌سازی تعاملات پیچیده بین عوامل
• 93. پردازش دنباله‌های طولانی با حافظه خارجی
• 94. سیستم‌های حافظه افزوده برای MARL
• 95. یادگیری تقویتی با حافظه خارجی (RAML)
• 96. شبکه‌های عصبی با حافظه قابل خواندن و نوشتن
• 97. کاربرد حافظه خارجی در MARL
• 98. مدل‌سازی پویایی‌های بلندمدت در محیط
• 99. یادگیری استراتژی‌های پیچیده با وابستگی‌های زمانی طولانی
• 100. شبکه‌های عصبی ترنسفورمر در MARL