دوره از نظریه تا عمل: الگوریتم‌های مبتنی بر سیاست در یادگیری تقویتی چندعامله همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره از نظریه تا عمل: الگوریتم‌های مبتنی بر سیاست در یادگیری تقویتی چندعامله

موضوع کلی: یادگیری تقویتی چندعامله (MARL)

موضوع میانی: الگوریتم‌های مبتنی بر سیاست (Policy-based Algorithms)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری تقویتی چندعامله (MARL)
• 2. اصول اساسی یادگیری تقویتی
• 3. عامل‌ها، محیط، پاداش و حالت
• 4. فضای حالت و فضای عمل
• 5. روش‌های یادگیری تقویتی مبتنی بر ارزش
• 6. یادگیری Q-learning
• 7. یادگیری SARSA
• 8. روش‌های یادگیری تقویتی مبتنی بر سیاست
• 9. تفاوت یادگیری مبتنی بر ارزش و مبتنی بر سیاست
• 10. مزایای یادگیری مبتنی بر سیاست
• 11. معرفی الگوریتم‌های Policy Gradient
• 12. REINFORCE
• 13. پیاده‌سازی REINFORCE
• 14. یادگیری تقویتی عمیق (DRL)
• 15. شبکه‌های عصبی در یادگیری تقویتی
• 16. Deep Q-Networks (DQN)
• 17. مشکلات DQN و راه‌حل‌ها
• 18. Actor-Critic Methods
• 19. معرفی Actor-Critic
• 20. کاربرد Actor-Critic در MARL
• 21. یادگیری تقویتی چندعامله (MARL)
• 22. چالش‌های MARL
• 23. فضای حالت و عمل مشترک
• 24. عدم قطعیت محیط
• 25. همکاری و رقابت بین عامل‌ها
• 26. تعریف مسئله MARL
• 27. انواع سناریوهای MARL
• 28. همکاری کامل
• 29. رقابت کامل
• 30. مختلط
• 31. الگوریتم‌های پایه MARL
• 32. Independent Q-learning (IQL)
• 33. معایب IQL
• 34. Value Decomposition Networks (VDN)
• 35. QMIX
• 36. MADDPG (Multi-Agent Deep Deterministic Policy Gradient)
• 37. معرفی MADDPG
• 38. ساختار MADDPG
• 39. کاربرد MADDPG در محیط‌های پویا
• 40. DDPG برای عامل‌های متعدد
• 41. D4PG (Distributed Distributional Deterministic Policy Gradient)
• 42. معرفی D4PG
• 43. مزایای D4PG
• 44. تکنیک‌های پیشرفته در MARL
• 45. Opponent Modeling
• 46. تکنیک‌های مدل‌سازی حریف
• 47. کاربرد مدل‌سازی حریف در تصمیم‌گیری
• 48. Learning with Opponent Learning Awareness (LOLA)
• 49. معرفی LOLA
• 50. کاربرد LOLA در مذاکره
• 51. Multi-Agent Actor-Critic (MAAC)
• 52. معرفی MAAC
• 53. ساختار MAAC
• 54. کاربرد MAAC در هماهنگی
• 55. Policy Mirroring
• 56. معرفی Policy Mirroring
• 57. کاربرد Policy Mirroring
• 58. Communication Protocols in MARL
• 59. یادگیری ارتباط بین عامل‌ها
• 60. انواع پروتکل‌های ارتباطی
• 61. Cooperative MARL with Communication
• 62. Multi-Agent Reinforcement Learning for Decentralized Execution (MARL-DE)
• 63. معرفی MARL-DE
• 64. کاربرد MARL-DE در رباتیک
• 65. Centralized Training with Decentralized Execution (CTDE)
• 66. معرفی CTDE
• 67. مزایای CTDE
• 68. مثال‌های CTDE
• 69. Multi-Agent PPO (MAPPO)
• 70. معرفی MAPPO
• 71. کاربرد MAPPO
• 72. Soft Actor-Critic for Multi-Agent (SAC-MA)
• 73. معرفی SAC-MA
• 74. کاربرد SAC-MA
• 75. Exploration Strategies in MARL
• 76. روش‌های اکتشاف در MARL
• 77. Random Exploration
• 78. Intrinsic Motivation
• 79. Curiosity-driven Exploration
• 80. Random Network Distillation (RND)
• 81. معرفی RND
• 82. کاربرد RND در MARL
• 83. Intrinsic Curiosity Module (ICM)
• 84. معرفی ICM
• 85. کاربرد ICM در MARL
• 86. Multi-Agent Hierarchical Reinforcement Learning (MAHRL)
• 87. معرفی MAHRL
• 88. ساختار سلسله مراتبی
• 89. کاربرد MAHRL در مسائل پیچیده
• 90. Meta-Learning for MARL
• 91. معرفی Meta-Learning
• 92. کاربرد Meta-Learning در MARL
• 93. Transfer Learning in MARL
• 94. معرفی Transfer Learning
• 95. کاربرد Transfer Learning در MARL
• 96. Fairness and Ethics in MARL
• 97. ملاحظات اخلاقی در MARL
• 98. عدالت در تخصیص منابع
• 99. شفافیت در تصمیم‌گیری عامل‌ها
• 100. Robustness and Safety in MARL