دوره از مبانی تا پیشرفته: شبکه‌های کیو عمیق برای متخصصان MARL همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره از مبانی تا پیشرفته: شبکه‌های کیو عمیق برای متخصصان MARL

موضوع کلی: یادگیری تقویتی چندعامله (MARL)

موضوع میانی: Deep Q-Networks (DQN)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر شبکه‌های کیو عمیق (DQN)
• 2. مبانی یادگیری تقویتی
• 3. عناصر اصلی یادگیری تقویتی: عامل، محیط، پاداش
• 4. انواع یادگیری تقویتی: مبتنی بر مدل و بدون مدل
• 5. الگوریتم‌های یادگیری تقویتی مبتنی بر ارزش
• 6. یادگیری Q-Learning
• 7. یادگیری SARSA
• 8. الگوریتم‌های یادگیری تقویتی مبتنی بر سیاست
• 9. سیاست گرادیان (Policy Gradients)
• 10. Actor-Critic Methods
• 11. شبکه‌های عصبی عمیق برای یادگیری تقویتی
• 12. شبکه‌های عصبی کانولوشنال (CNN) در یادگیری تقویتی
• 13. شبکه‌های عصبی بازگشتی (RNN) در یادگیری تقویتی
• 14. مفهوم شبکه‌های کیو عمیق (Deep Q-Networks - DQN)
• 15. معماری پایه DQN
• 16. تابع هدف در DQN
• 17. بهینه‌سازی DQN
• 18. تجربه تکرار (Experience Replay)
• 19. شبکه هدف ثابت (Fixed Target Network)
• 20. انواع پیشرفته DQN
• 21. Double DQN (DDQN)
• 22. Dueling DQN
• 23. Prioritized Experience Replay
• 24. Noisy DQN
• 25. Rainbow DQN
• 26. مقدمه‌ای بر یادگیری تقویتی چند عاملی (Multi-Agent Reinforcement Learning - MARL)
• 27. چالش‌های MARL
• 28. تعاملات بین عامل‌ها
• 29. فضای حالت و عمل مشترک
• 30. تکامل عامل‌ها
• 31. انواع MARL
• 32. با همکاری (Cooperative)
• 33. با رقابت (Competitive)
• 34. ترکیبی (Mixed)
• 35. محیط‌های شبیه‌سازی شده برای MARL
• 36. Atari Games در حالت چند عاملی
• 37. StarCraft II در حالت چند عاملی
• 38. رباتیک و کنترل چند عاملی
• 39. شبکه‌های عصبی برای MARL
• 40. معماری‌های متمرکز (Centralized)
• 41. معماری‌های غیرمتمرکز (Decentralized)
• 42. معماری‌های ترکیبی (Centralized Training, Decentralized Execution - CTDE)
• 43. الگوریتم‌های MARL مبتنی بر ارزش
• 44. Value Decomposition Networks (VDN)
• 45. QMIX
• 46. QTRAN
• 47. الگوریتم‌های MARL مبتنی بر سیاست
• 48. Multi-Agent Policy Gradient (MAPG)
• 49. MADDPG (Multi-Agent Deep Deterministic Policy Gradient)
• 50. COMA (Counterfactual Multi-Agent Policy Gradients)
• 51. رویکردهای پیشرفته در MARL
• 52. یادگیری ارتباطات بین عامل‌ها
• 53. یادگیری وظایف مشترک
• 54. یادگیری سلسله مراتبی در MARL
• 55. انطباق با قوانین در شبکه‌های کیو عمیق
• 56. کاربرد شبکه‌های کیو عمیق در بهینه‌سازی منابع
• 57. بهینه‌سازی مصرف انرژی با DQN
• 58. مدیریت ترافیک با DQN
• 59. شبکه‌های توزیع شده و DQN
• 60. کاربرد شبکه‌های کیو عمیق در سیستم‌های هوشمند
• 61. سیستم‌های توصیه‌گر هوشمند
• 62. ربات‌های خدماتی هوشمند
• 63. مدل‌سازی رفتار عامل‌ها در محیط‌های پیچیده
• 64. کاربرد شبکه‌های کیو عمیق در مدیریت داده
• 65. تحلیل و پردازش داده‌های حجیم
• 66. بهینه‌سازی جستجوی اطلاعات
• 67. مقدمه‌ای بر چارچوب‌های پیاده‌سازی MARL
• 68. Ray RLlib
• 69. OpenSpiel
• 70. PettingZoo
• 71. ابزارهای تحلیل و بصری‌سازی در MARL
• 72. ارزیابی عملکرد عامل‌ها
• 73. نمودارهای پاداش و شکست
• 74. تحلیل رفتار عامل‌ها در طول زمان
• 75. مطالعات موردی در MARL
• 76. بازی‌های استراتژیک چند نفره
• 77. شبیه‌سازی‌های اقتصادی و اجتماعی
• 78. سیستم‌های رباتیک پیشرفته
• 79. ملاحظات اخلاقی در MARL
• 80. شفافیت در تصمیم‌گیری عامل‌ها
• 81. مسئولیت‌پذیری در سیستم‌های چند عاملی
• 82. امنیت و پایداری سیستم‌های MARL
• 83. آینده پژوهی در MARL
• 84. یادگیری تقویتی عمیق در مقیاس بزرگ
• 85. یادگیری تقویتی خود نظارت در MARL
• 86. ترکیب MARL با سایر روش‌های هوش مصنوعی
• 87. کاربرد شبکه‌های کیو عمیق در توسعه نرم‌افزار
• 88. تست خودکار نرم‌افزار
• 89. بهینه‌سازی عملکرد کد
• 90. مدیریت منابع در سیستم‌های ابری با DQN
• 91. بهینه‌سازی تخصیص منابع محاسباتی
• 92. پیش‌بینی بار در مراکز داده
• 93. کاربرد شبکه‌های کیو عمیق در رباتیک صنعتی
• 94. کنترل ربات‌های خط تولید
• 95. بهینه‌سازی مسیر حرکت ربات‌ها
• 96. تشخیص و رفع خطا در سیستم‌های خودکار
• 97. کاربرد شبکه‌های کیو عمیق در سیستم‌های مالی اسلامی
• 98. بهینه‌سازی پرتفوی سرمایه‌گذاری بدون ربا
• 99. مدیریت ریسک در محصولات مالی اسلامی
• 100. پیش‌بینی روند بازار با رویکرد اسلامی