دوره یادگیری تقویتی چندعامله: راهنمای جامع برای طراحی و پیاده‌سازی همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره یادگیری تقویتی چندعامله: راهنمای جامع برای طراحی و پیاده‌سازی

موضوع کلی: یادگیری تقویتی چندعامله (MARL)

موضوع میانی: یادگیری تقویتی چندعامله برای کنترل ربات‌های صنعتی برای انجام وظایف نگهداری و تعمیر

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری تقویتی چندعامله
• 2. مفاهیم پایه‌ای یادگیری تقویتی
• 3. عامل، محیط، پاداش، حالت، عمل
• 4. فرآیندهای تصمیم‌گیری مارکوف (MDP)
• 5. حل MDP ها: برنامه‌ریزی پویا
• 6. حل MDP ها: برنامه‌ریزی مبتنی بر مدل
• 7. روش‌های بدون مدل: یادگیری Q
• 8. الگوریتم‌های یادگیری Q
• 9. یادگیری Q عمیق (DQN)
• 10. معماری‌های شبکه عصبی برای DQN
• 11. بهبودهای DQN: Double DQN
• 12. بهبودهای DQN: Dueling DQN
• 13. بهبودهای DQN: Prioritized Experience Replay
• 14. یادگیری مبتنی بر سیاست
• 15. تابع سیاست و گرادیان سیاست
• 16. الگوریتم‌های گرادیان سیاست
• 17. REINFORCE
• 18. Actor-Critic Methods
• 19. A2C (Advantage Actor-Critic)
• 20. A3C (Asynchronous Advantage Actor-Critic)
• 21. PPO (Proximal Policy Optimization)
• 22. TRPO (Trust Region Policy Optimization)
• 23. مقدمه‌ای بر یادگیری تقویتی چندعامله (MARL)
• 24. چالش‌های MARL
• 25. همکاری در MARL
• 26. رقابت در MARL
• 27. مختلط (Cooperative-Competitive)
• 28. مدل‌سازی محیط چندعامله
• 29. بازی‌های غیرهمکارانه
• 30. تعادل نش
• 31. بازی‌های همکارانه
• 32. هماهنگی عامل‌ها
• 33. اقتصاد در MARL
• 34. یادگیری عامل‌ها در محیط‌های پویا
• 35. تکامل عامل‌ها
• 36. یادگیری از طریق تقلید (Imitation Learning)
• 37. یادگیری تقویتی مبتنی بر مشاهده
• 38. سیستم‌های چندعامله با پاداش مشترک
• 39. سیستم‌های چندعامله با پاداش مجزا
• 40. یادگیری عامل‌ها در غیاب مدل محیط
• 41. روش‌های مبتنی بر مدل در MARL
• 42. یادگیری عامل‌ها با داده‌های محدود
• 43. یادگیری عامل‌ها در محیط‌های بزرگ
• 44. یادگیری عامل‌ها با حالت‌های مشاهده‌پذیر جزئی (POMDP)
• 45. مدل‌های پنهان مارکوف (HMM)
• 46. یادگیری عامل‌ها با عدم قطعیت
• 47. یادگیری عامل‌ها با پاداش‌های پراکنده
• 48. کاربرد MARL در رباتیک
• 49. کاربرد MARL در بازی‌ها (مانند Go، StarCraft)
• 50. کاربرد MARL در سیستم‌های توزیع‌شده
• 51. کاربرد MARL در مدیریت ترافیک
• 52. کاربرد MARL در شبکه‌های ارتباطی
• 53. کاربرد MARL در اقتصاد و بازارهای مالی
• 54. کاربرد MARL در بهینه‌سازی منابع
• 55. کاربرد MARL در سیستم‌های توصیه‌گر
• 56. کاربرد MARL در سلامت و پزشکی
• 57. کاربرد MARL در آموزش
• 58. کاربرد MARL در تحلیل رفتاری
• 59. معماری‌های شبکه عصبی برای MARL
• 60. شبکه‌های عصبی بازگشتی (RNN) در MARL
• 61. شبکه‌های عصبی کانولوشنی (CNN) در MARL
• 62. شبکه‌های توجه (Attention Networks) در MARL
• 63. یادگیری تقویتی با ارتباطات بین عامل‌ها
• 64. یادگیری تقویتی با ارتباطات صریح
• 65. یادگیری تقویتی با ارتباطات ضمنی
• 66. یادگیری تقویتی با حافظه خارجی
• 67. یادگیری تقویتی با ارتباطات باینری
• 68. یادگیری تقویتی با ارتباطات پیوسته
• 69. یادگیری عامل‌ها با ارتباطات قابل یادگیری
• 70. روش‌های مبتنی بر عامل مرکزی (Centralized Training)
• 71. روش‌های مبتنی بر عامل توزیع‌شده (Decentralized Execution)
• 72. COMA (Counterfactual Multi-Agent Policy Gradient)
• 73. MADDPG (Multi-Agent Deep Deterministic Policy Gradient)
• 74. QMIX
• 75. VDN (Value Decomposition Networks)
• 76. IQL (Independent Q-Learning)
• 77. MAAC (Multi-Agent Actor-Critic)
• 78. گرادیان سیاست مشترک (Shared Policy Gradient)
• 79. یادگیری تقویتی مبتنی بر مدل محیطی برای عامل‌ها
• 80. یادگیری عامل‌ها در محیط‌های شبیه‌سازی شده
• 81. ارزیابی عملکرد عامل‌ها در MARL
• 82. معیارهای ارزیابی در MARL
• 83. تست و اعتبارسنجی مدل‌های MARL
• 84. پیاده‌سازی عملی MARL
• 85. ابزارها و فریم‌ورک‌های MARL (مانند OpenAI Gym، PettingZoo)
• 86. بهینه‌سازی پارامترها در MARL
• 87. ملاحظات اخلاقی در MARL
• 88. محدودیت‌های MARL
• 89. آینده پژوهش در MARL
• 90. روش‌های پیشرفته در MARL
• 91. یادگیری تقویتی با عامل‌های یادگیرنده (Meta-Learning)
• 92. یادگیری تقویتی با عامل‌های قابل تعمیم
• 93. یادگیری تقویتی با عامل‌های مقاوم
• 94. یادگیری تقویتی با عامل‌های شفاف
• 95. یادگیری تقویتی با عامل‌های قابل تفسیر
• 96. مسائل باز در MARL
• 97. جمع‌بندی و چشم‌انداز آینده MARL