دوره یادگیری تقویتی چندعامله و شبکه‌های عصبی در رباتیک صنعتی همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره یادگیری تقویتی چندعامله و شبکه‌های عصبی در رباتیک صنعتی

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 در رباتیک
• 2. مبانی یادگیری تقویتی
• 3. عناصر اصلی یادگیری تقویتی: عامل، محیط، حالت، عمل، پاداش
• 4. مدل‌های یادگیری تقویتی: مارکوف تصمیم‌گیری (MDP)
• 5. حل MDP با روش‌های برنامه‌ریزی
• 6. مقداردهی تابع ارزش
• 7. تابع ارزش اقدام
• 8. الگوریتم‌های مبتنی بر ارزش: Q-Learning
• 9. الگوریتم‌های مبتنی بر سیاست: Policy Gradient
• 10. الگوریتم‌های Actor-Critic
• 11. مقدمه‌ای بر شبکه‌های عصبی
• 12. شبکه‌های عصبی پرسپترون چندلایه (MLP)
• 13. توابع فعال‌سازی
• 14. پس‌انتشار خطا (Backpropagation)
• 15. بهینه‌سازها: گرادیان کاهشی، Adam
• 16. شبکه‌های عصبی کانولوشنال (CNN)
• 17. شبکه‌های عصبی بازگشتی (RNN)
• 18. شبکه‌های حافظه کوتاه‌مدت طولانی (LSTM)
• 19. شبکه‌های حافظه کوتاه‌مدت (GRU)
• 20. یادگیری تقویتی عمیق (Deep Reinforcement Learning - DRL)
• 21. ترکیب شبکه‌های عصبی با یادگیری تقویتی
• 22. Deep Q-Networks (DQN)
• 23. Double DQN
• 24. Dueling DQN
• 25. Prioritized Experience Replay
• 26. Noise Networks
• 27. Distributional RL
• 28. Rainbow DQN
• 29. AlphaGo و دستاوردهای آن
• 30. مقدمه‌ای بر رباتیک صنعتی
• 31. انواع ربات‌های صنعتی
• 32. ساختار ربات‌های صنعتی
• 33. فضای کاری ربات
• 34. ماتریس‌های تبدیل و همگن
• 35. سینماتیک مستقیم ربات
• 36. سینماتیک معکوس ربات
• 37. دینامیک ربات
• 38. کنترل ربات‌های صنعتی
• 39. کنترل‌کننده‌های PID
• 40. کنترل‌کننده‌های پیش‌بین مدل (MPC)
• 41. فیلتر کالمن برای تخمین حالت ربات
• 42. تشخیص حالت در رباتیک صنعتی
• 43. شناسایی اشیاء توسط ربات
• 44. بینایی ماشین در رباتیک
• 45. تشخیص موانع در رباتیک
• 46. یادگیری تقویتی برای کنترل حرکت ربات
• 47. یادگیری تقویتی برای هدایت ربات
• 48. یادگیری تقویتی برای تشخیص اشیاء توسط ربات
• 49. یادگیری تقویتی برای مسیریابی ربات
• 50. یادگیری تقویتی برای دستکاری ربات
• 51. یادگیری تقویتی برای مونتاژ ربات
• 52. یادگیری تقویتی برای کنترل گرید ربات
• 53. یادگیری تقویتی برای کنترل گرید ربات با استفاده از CNN
• 54. یادگیری تقویتی برای کنترل گرید ربات با استفاده از RNN
• 55. یادگیری تقویتی برای کنترل گرید ربات با استفاده از LSTM
• 56. یادگیری تقویتی چندعامله (MARL)
• 57. مبانی یادگیری تقویتی چندعامله
• 58. مدل‌های ارتباطی در MARL
• 59. مدل‌های اشتراک‌گذاری اطلاعات در MARL
• 60. مدل‌های عدم اشتراک‌گذاری اطلاعات در MARL
• 61. یادگیری تقویتی چندعامله برای هماهنگی ربات‌ها
• 62. یادگیری تقویتی چندعامله برای همکاری ربات‌ها
• 63. یادگیری تقویتی چندعامله برای رقابت ربات‌ها
• 64. یادگیری تقویتی چندعامله در رباتیک صنعتی
• 65. کاربرد MARL در خطوط تولید رباتیک
• 66. کاربرد MARL در انبار رباتیک
• 67. کاربرد MARL در نظارت بر ربات‌ها
• 68. کاربرد MARL در تعمیر و نگهداری ربات‌ها
• 69. یادگیری تقویتی در رباتیک با محدودیت‌های فیزیکی
• 70. یادگیری تقویتی در رباتیک با پاداش‌های پراکنده
• 71. یادگیری تقویتی در رباتیک با محیط‌های پویا
• 72. یادگیری تقویتی در رباتیک با عدم قطعیت
• 73. یادگیری تقویتی در رباتیک با داده‌های محدود
• 74. یادگیری تقویتی در رباتیک با ملاحظات ایمنی
• 75. یادگیری تقویتی در رباتیک برای بهینه‌سازی مصرف انرژی
• 76. یادگیری تقویتی در رباتیک برای افزایش بهره‌وری
• 77. یادگیری تقویتی در رباتیک برای کاهش خطا
• 78. یادگیری تقویتی در رباتیک برای افزایش انعطاف‌پذیری
• 79. شبیه‌سازی در یادگیری تقویتی رباتیک
• 80. ابزارهای شبیه‌سازی رباتیک (Gazebo, CoppeliaSim)
• 81. طراحی محیط‌های شبیه‌سازی برای رباتیک
• 82. اعتبارسنجی مدل‌های یادگیری تقویتی در رباتیک
• 83. پیاده‌سازی الگوریتم‌های DRL بر روی سخت‌افزار ربات
• 84. چالش‌های پیاده‌سازی DRL در رباتیک صنعتی
• 85. مطالعات موردی یادگیری تقویتی در رباتیک صنعتی
• 86. آینده یادگیری تقویتی در رباتیک صنعتی
• 87. مباحث پیشرفته در یادگیری تقویتی رباتیک
• 88. روش‌های یادگیری تقویتی مبتنی بر مدل
• 89. روش‌های یادگیری تقویتی بدون مدل
• 90. یادگیری تقویتی با تقلید (Imitation Learning)
• 91. یادگیری تقویتی با یادگیری فعال (Active Learning)
• 92. یادگیری تقویتی با یادگیری تقابلی (Adversarial Learning)
• 93. یادگیری تقویتی با یادگیری از طریق مشاهده (Learning from Observation)
• 94. یادگیری تقویتی با یادگیری از طریق تعامل (Learning from Interaction)
• 95. یادگیری تقویتی با یادگیری از طریق بازخورد انسانی (Learning from Human Feedback)
• 96. یادگیری تقویتی با یادگیری تقویتی ناظر (Supervised Reinforcement Learning)
• 97. یادگیری تقویتی با یادگیری تقویتی نیمه‌ناظر (Semi-Supervised Reinforcement Learning)
• 98. یادگیری تقویتی با یادگیری تقویتی خودناظر (Self-Supervised Reinforcement Learning)
• 99. یادگیری تقویتی با یادگیری تقویتی با پاداش ضمنی (Implicit Reward Reinforcement Learning)
• 100. یادگیری تقویتی با یادگیری تقویتی با پاداش صریح (Explicit Reward Reinforcement Learning)