کتاب تحلیل و طراحی سیستم‌های چندعامله با شبکه‌های کیو عمیق با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تحلیل و طراحی سیستم‌های چندعامله با شبکه‌های کیو عمیق

موضوع کلی: یادگیری تقویتی چندعامله (MARL)

موضوع میانی: Deep Q-Networks (DQN)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر سیستم‌های چندعامله
• 2. اصول عامل‌های هوشمند
• 3. معماری سیستم‌های چندعامله
• 4. ارتباطات بین عامل‌ها
• 5. مدل‌سازی عامل‌ها
• 6. تئوری بازی‌ها در سیستم‌های چندعامله
• 7. یادگیری تقویتی برای عامل‌ها
• 8. شبکه‌های عصبی عمیق برای عامل‌ها
• 9. مقدمه‌ای بر شبکه‌های کیو عمیق (DQN)
• 10. اجزای اصلی DQN
• 11. تابع پاداش در DQN
• 12. تابع ارزش در DQN
• 13. بهینه‌سازی DQN
• 14. تجربه بازپخش در DQN
• 15. شبکه‌های هدف در DQN
• 16. انواع DQN (Double DQN, Dueling DQN)
• 17. مزایای DQN
• 18. چالش‌های DQN
• 19. کاربردهای DQN
• 20. طراحی عامل‌های یادگیرنده
• 21. مدیریت وضعیت در عامل‌ها
• 22. تصمیم‌گیری عامل‌ها
• 23. برنامه‌ریزی عامل‌ها
• 24. یادگیری از طریق مشاهده
• 25. یادگیری از طریق تعامل
• 26. یادگیری تقویتی توزیع‌شده
• 27. مقدمه‌ای بر شبکه‌های عصبی کانولوشنال (CNN)
• 28. کاربرد CNN در پردازش تصویر
• 29. مقدمه‌ای بر شبکه‌های عصبی بازگشتی (RNN)
• 30. کاربرد RNN در پردازش توالی
• 31. شبکه‌های حافظه بلند کوتاه مدت (LSTM)
• 32. شبکه‌های واحد بازگشتی (GRU)
• 33. شبکه‌های مولد تخاصمی (GAN)
• 34. کاربرد GAN در تولید داده
• 35. یادگیری عمیق در سیستم‌های توصیه‌گر
• 36. کاربرد یادگیری عمیق در پردازش زبان طبیعی
• 37. شبکه‌های ترنسفورمر
• 38. کاربرد ترنسفورمر در مدل‌سازی زبان
• 39. یادگیری عمیق در بینایی ماشین
• 40. مقدمه‌ای بر یادگیری چندعامله (MARL)
• 41. چالش‌های یادگیری چندعامله
• 42. محیط‌های یادگیری چندعامله
• 43. یادگیری تقویتی متمرکز
• 44. یادگیری تقویتی توزیع‌شده در MARL
• 45. مدل‌سازی عامل‌های همکار
• 46. مدل‌سازی عامل‌های رقیب
• 47. مدل‌سازی عامل‌های مختلط
• 48. شبکه‌های کیو مشترک (CQN)
• 49. یادگیری عامل‌های مستقل
• 50. یادگیری عامل‌های هماهنگ
• 51. یادگیری عامل‌های با دانش مشترک
• 52. مقدمه‌ای بر شبکه‌های کیو عمیق چندعامله (MADQN)
• 53. معماری MADQN
• 54. تابع پاداش در MADQN
• 55. تابع ارزش در MADQN
• 56. بهینه‌سازی MADQN
• 57. تجربه بازپخش در MADQN
• 58. شبکه‌های هدف در MADQN
• 59. انواع MADQN
• 60. کاربردهای MADQN
• 61. تحلیل پایداری در سیستم‌های چندعامله
• 62. تحلیل همگرایی در یادگیری چندعامله
• 63. طراحی ساختارهای ارتباطی بین عامل‌ها
• 64. استراتژی‌های هماهنگی عامل‌ها
• 65. یادگیری هماهنگی پویا
• 66. یادگیری استراتژی‌های همکاری
• 67. یادگیری استراتژی‌های رقابت
• 68. یادگیری استراتژی‌های مبتنی بر توافق
• 69. یادگیری استراتژی‌های مبتنی بر مذاکره
• 70. مدل‌سازی رفتار عامل‌های پیچیده
• 71. شبیه‌سازی سیستم‌های چندعامله
• 72. ارزیابی عملکرد سیستم‌های چندعامله
• 73. معیارهای ارزیابی در MARL
• 74. داده‌کاوی در سیستم‌های چندعامله
• 75. یادگیری الگوهای رفتاری عامل‌ها
• 76. پیش‌بینی رفتار عامل‌ها
• 77. شناسایی عامل‌های مخرب
• 78. امنیت در سیستم‌های چندعامله
• 79. حریم خصوصی در سیستم‌های چندعامله
• 80. اخلاق در سیستم‌های چندعامله
• 81. کاربرد سیستم‌های چندعامله در لجستیک
• 82. کاربرد سیستم‌های چندعامله در شبکه‌های هوشمند
• 83. کاربرد سیستم‌های چندعامله در رباتیک
• 84. کاربرد سیستم‌های چندعامله در بازارهای خودکار
• 85. کاربرد سیستم‌های چندعامله در مدیریت منابع
• 86. کاربرد سیستم‌های چندعامله در حمل و نقل هوشمند
• 87. کاربرد سیستم‌های چندعامله در بازی‌های کامپیوتری
• 88. کاربرد سیستم‌های چندعامله در شبیه‌سازی‌های اجتماعی
• 89. کاربرد سیستم‌های چندعامله در پزشکی
• 90. کاربرد سیستم‌های چندعامله در تحلیل داده‌های بزرگ
• 91. طراحی سیستم‌های چندعامله مقیاس‌پذیر
• 92. بهینه‌سازی منابع در سیستم‌های چندعامله
• 93. مقدمه‌ای بر یادگیری تقویتی عمیق (DRL)
• 94. تفاوت DRL با یادگیری ماشین سنتی
• 95. چارچوب‌های DRL
• 96. مطالعات موردی DRL
• 97. یادگیری تقویتی در محیط‌های گسسته
• 98. یادگیری تقویتی در محیط‌های پیوسته
• 99. مقدمه‌ای بر شبکه‌های عصبی گراف (GNN)
• 100. کاربرد GNN در سیستم‌های چندعامله