کتاب یادگیری تقویتی چندعامله: الگوریتم‌های مبتنی بر سیاست برای تعاملات پیچیده با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره یادگیری تقویتی چندعامله: الگوریتم‌های مبتنی بر سیاست برای تعاملات پیچیده

موضوع کلی: یادگیری تقویتی چندعامله (MARL)

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

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری تقویتی چندعامله
• 2. مفاهیم اساسی یادگیری تقویتی
• 3. عامل‌ها و محیط در یادگیری تقویتی
• 4. پاداش و تابع ارزش
• 5. حالت، عمل و سیاست
• 6. فضای حالت و عمل
• 7. مدل‌های مارکوف تصمیم‌گیری (MDP)
• 8. معادلات بلمن
• 9. یادگیری مبتنی بر ارزش
• 10. یادگیری Q
• 11. یادگیری Deep Q-Network (DQN)
• 12. پیشرفت‌های DQN
• 13. یادگیری مبتنی بر سیاست
• 14. تفاوت یادگیری مبتنی بر سیاست و ارزش
• 15. گرادیان سیاست
• 16. الگوریتم REINFORCE
• 17. یادگیری Actor-Critic
• 18. الگوریتم A2C (Advantage Actor-Critic)
• 19. الگوریتم A3C (Asynchronous Advantage Actor-Critic)
• 20. یادگیری چندعامله
• 21. چالش‌های یادگیری چندعامله
• 22. همکاری و رقابت در چندعامله
• 23. هماهنگی عامل‌ها
• 24. بازی‌های جمعی
• 25. بازی‌های صفر و یک
• 26. بازی‌های مجموع غیرصفر
• 27. مدل‌های فضای حالت مشترک
• 28. مدل‌های فضای حالت تفکیک‌شده
• 29. مدل‌های مبتنی بر عامل مرکزی
• 30. یادگیری سیاست مشترک
• 31. یادگیری سیاست‌های تفکیک‌شده
• 32. مدل‌های Actor-Critic چندعامله
• 33. گرادیان سیاست مشترک
• 34. گرادیان سیاست تفکیک‌شده
• 35. الگوریتم MADDPG (Multi-Agent Deep Deterministic Policy Gradient)
• 36. MADDPG در محیط‌های همکاری
• 37. MADDPG در محیط‌های رقابتی
• 38. MADDPG در محیط‌های مختلط
• 39. الگوریتم QMIX (Q-learning for Mixed Cooperative-Inverse Reinforcement Learning)
• 40. QMIX برای محیط‌های همکاری
• 41. QMIX برای محیط‌های مختلط
• 42. الگوریتم VDN (Value Decomposition Networks)
• 43. VDN در محیط‌های همکاری
• 44. VDN در محیط‌های مختلط
• 45. یادگیری تقویتی با ارتباطات
• 46. ارتباطات صریح بین عامل‌ها
• 47. ارتباطات ضمنی بین عامل‌ها
• 48. شبکه‌های ارتباطی
• 49. الگوریتم‌های مبتنی بر توجه
• 50. توجه در یادگیری چندعامله
• 51. مکانیزم‌های توجه برای عامل‌ها
• 52. یادگیری تقویتی با محیط‌های پویا
• 53. تغییرات در محیط
• 54. تطابق عامل‌ها با تغییرات
• 55. یادگیری تقویتی با اطلاعات ناقص
• 56. حسگرهای نامطمئن
• 57. عدم قطعیت در مشاهدات
• 58. یادگیری تقویتی با محدودیت‌های ارتباطی
• 59. پهنای باند محدود
• 60. تأخیر در ارتباطات
• 61. یادگیری تقویتی با مقیاس‌پذیری بالا
• 62. تعداد زیاد عامل‌ها
• 63. تعداد زیاد حالت‌ها و اعمال
• 64. یادگیری تقویتی در رباتیک چندعامله
• 65. کنترل گروهی ربات‌ها
• 66. هماهنگی ربات‌ها برای وظایف
• 67. یادگیری تقویتی در سیستم‌های توزیع‌شده
• 68. مدیریت منابع در سیستم‌های توزیع‌شده
• 69. بهینه‌سازی در سیستم‌های توزیع‌شده
• 70. یادگیری تقویتی در شبکه‌های هوشمند
• 71. مدیریت انرژی در شبکه‌های هوشمند
• 72. پیش‌بینی تقاضا در شبکه‌های هوشمند
• 73. یادگیری تقویتی در خودروهای خودران
• 74. تصمیم‌گیری در ترافیک
• 75. هماهنگی خودروهای خودران
• 76. یادگیری تقویتی در بازی‌های استراتژیک
• 77. استراتژی‌های پیچیده در بازی‌ها
• 78. یادگیری از حریفان
• 79. یادگیری تقویتی با پاداش‌های پراکنده
• 80. یادگیری در محیط‌های با پاداش کم
• 81. استراتژی‌های اکتشاف
• 82. یادگیری تقویتی با عامل‌های ناهمگن
• 83. عامل‌هایی با قابلیت‌های متفاوت
• 84. یادگیری تقویتی با اهداف چندگانه
• 85. بهینه‌سازی چندین معیار
• 86. مدیریت تعارض اهداف
• 87. یادگیری تقویتی با تعمیم‌پذیری
• 88. یادگیری در محیط‌های جدید
• 89. سازگاری با شرایط نادیده
• 90. یادگیری تقویتی با قابلیت تفسیر
• 91. درک تصمیمات عامل‌ها
• 92. ارزیابی سیاست‌ها
• 93. اعتبارسنجی الگوریتم‌های چندعامله
• 94. معیارهای ارزیابی عملکرد
• 95. مقایسه الگوریتم‌ها
• 96. کاربرد عملی یادگیری تقویتی چندعامله
• 97. مطالعات موردی موفق
• 98. چالش‌های پیاده‌سازی
• 99. آینده یادگیری تقویتی چندعامله
• 100. روندهای تحقیقاتی جدید