دوره غلبه بر پاداش‌های پراکنده در یادگیری تقویتی: استراتژی‌ها و تکنیک‌ها همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره غلبه بر پاداش‌های پراکنده در یادگیری تقویتی: استراتژی‌ها و تکنیک‌ها

موضوع کلی: هوش مصنوعی

موضوع میانی: یادگیری تقویتی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری تقویتی و چالش پاداش‌های پراکنده
• 2. چرا پاداش‌های پراکنده مشکل‌ساز هستند؟
• 3. بررسی انواع محیط‌های با پاداش‌های پراکنده
• 4. روش‌های اکتشافی پایه در یادگیری تقویتی
• 5. اکتشاف تصادفی (Random Exploration)
• 6. اکتشاف اپسیلون-حریصانه (Epsilon-Greedy Exploration)
• 7. اکتشاف مبتنی بر امید (Optimistic Initialization)
• 8. اکتشاف مبتنی بر شمارش (Count-Based Exploration)
• 9. معرفی روش‌های پیشرفته اکتشاف
• 10. اکتشاف با استفاده از نویز (Noise Injection)
• 11. اکتشاف مبتنی بر کنجکاوی (Curiosity-Driven Exploration)
• 12. اکتشاف با استفاده از مدل‌های محیط (Model-Based Exploration)
• 13. شبیه‌سازی پاداش (Reward Shaping)
• 14. اصول طراحی پاداش‌های کمکی
• 15. چالش‌های شبیه‌سازی پاداش و راه‌های مقابله با آن‌ها
• 16. یادگیری معکوس تقویتی (Inverse Reinforcement Learning - IRL)
• 17. مقدمه‌ای بر IRL و کاربردهای آن
• 18. الگوریتم‌های اصلی IRL
• 19. یادگیری تقویتی سلسله مراتبی (Hierarchical Reinforcement Learning - HRL)
• 20. مفاهیم HRL و مزایای آن
• 21. روش‌های ساخت سلسله مراتب در HRL
• 22. استفاده از گزینه‌ها (Options) در HRL
• 23. یادگیری تقویتی با حافظه (Reinforcement Learning with Memory)
• 24. استفاده از شبکه‌های حافظه بلندمدت (LSTM) در RL
• 25. استفاده از Transformerها در RL
• 26. روش‌های مبتنی بر مدل (Model-Based RL)
• 27. یادگیری مدل محیط
• 28. برنامه‌ریزی با استفاده از مدل
• 29. یادگیری تقویتی آفلاین (Offline Reinforcement Learning)
• 30. مفاهیم و کاربردهای RL آفلاین
• 31. چالش‌های RL آفلاین و راه‌های مقابله با آن‌ها
• 32. استفاده از داده‌های جمع‌آوری‌شده برای آموزش RL
• 33. روش‌های مبتنی بر تخمین (Value-Based Methods) برای پاداش‌های پراکنده
• 34. روش‌های مبتنی بر سیاست (Policy-Based Methods) برای پاداش‌های پراکنده
• 35. روش‌های Actor-Critic برای پاداش‌های پراکنده
• 36. استفاده از توابع تقریب‌زننده (Function Approximation)
• 37. شبکه‌های عصبی عمیق در یادگیری تقویتی
• 38. استفاده از Convolutional Neural Networks (CNNs) در RL
• 39. استفاده از Recurrent Neural Networks (RNNs) در RL
• 40. پیاده‌سازی عملی یک عامل RL برای یک محیط با پاداش‌های پراکنده
• 41. بررسی یک مطالعه موردی: بازی‌های Atari
• 42. بررسی یک مطالعه موردی: رباتیک
• 43. بررسی یک مطالعه موردی: ناوبری
• 44. بهینه‌سازی هایپرپارامترها در RL با پاداش‌های پراکنده
• 45. روش‌های جستجوی هایپرپارامتر
• 46. استراتژی‌های ارزیابی عملکرد در محیط‌های با پاداش‌های پراکنده
• 47. آینده یادگیری تقویتی و چالش‌های پیش رو