دوره مدل‌های یادگیری تقویتی برای مسائل مقیاس‌پذیر در MARL همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مدل‌های یادگیری تقویتی برای مسائل مقیاس‌پذیر در MARL

موضوع کلی: یادگیری تقویتی چندعامله (MARL)

موضوع میانی: مدل‌های یادگیری تقویتی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری تقویتی چندعامله و چالش‌های مقیاس‌پذیری
• 2. مروری بر مدل‌های یادگیری تقویتی پایه و ارتباط آن‌ها با MARL
• 3. مفهوم محیط‌های چندعامله و انواع آن‌ها
• 4. بررسی روش‌های مستقل یادگیری تقویتی در MARL
• 5. محدودیت‌های روش‌های مستقل و نیاز به مدل‌های پیشرفته‌تر
• 6. مقدمه‌ای بر توابع ارزش مرکزی (Centralized Value Functions)
• 7. الگوریتم QMIX: معماری و پیاده‌سازی
• 8. الگوریتم VDN: معماری و پیاده‌سازی
• 9. الگوریتم QTRAN: معماری و پیاده‌سازی
• 10. مقایسه QMIX، VDN و QTRAN
• 11. مفهوم سیاست‌های مشترک (Shared Policies) در MARL
• 12. شبکه‌های عصبی مشترک (Shared Neural Networks) برای سیاست‌ها
• 13. الگوریتم COMA: معماری و پیاده‌سازی
• 14. الگوریتم MADDPG: معماری و پیاده‌سازی
• 15. الگوریتم MAPPO: معماری و پیاده‌سازی
• 16. بررسی چالش‌های آموزش الگوریتم‌های مبتنی بر سیاست
• 17. تکنیک‌های بهبود پایداری آموزش در MARL
• 18. مفهوم استراتژی‌های اکتشافی (Exploration Strategies) در MARL
• 19. روش‌های اکتشافی هماهنگ (Coordinated Exploration)
• 20. استفاده از حافظه تجربی (Experience Replay) در MARL
• 21. روش‌های نمونه‌برداری کارآمد از حافظه تجربی
• 22. مقدمه‌ای بر یادگیری تقویتی سلسله مراتبی (Hierarchical RL) در MARL
• 23. استفاده از یادگیری تقویتی متا (Meta-RL) در MARL
• 24. تکنیک‌های انتقال یادگیری (Transfer Learning) در MARL
• 25. مفهوم یادگیری تقویتی آفلاین (Offline RL) در MARL
• 26. کاربرد الگوریتم‌های MARL در رباتیک چندرباتی
• 27. کاربرد الگوریتم‌های MARL در مدیریت ترافیک
• 28. کاربرد الگوریتم‌های MARL در بازی‌های استراتژیک
• 29. کاربرد الگوریتم‌های MARL در مسائل اقتصادی
• 30. پیاده‌سازی عملی الگوریتم‌های MARL با استفاده از TensorFlow/PyTorch
• 31. بررسی کتابخانه‌های MARL متن‌باز (OpenAI Multi-Agent Environments, PettingZoo)
• 32. آینده‌ی MARL و چالش‌های پیش رو