کتاب تقویت تصمیم‌گیری در مدیریت برنامه با یادگیری چندعامله با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تقویت تصمیم‌گیری در مدیریت برنامه با یادگیری چندعامله

موضوع کلی: یادگیری تقویتی چندعامله (MARL)

موضوع میانی: یادگیری تقویتی چندعامله برای بهینه‌سازی فرآیندهای مدیریت برنامه

📋 سرفصل‌های دوره

• 1. مقدمات یادگیری چندعامله در مدیریت برنامه
• 2. مفهوم عامل و محیط در یادگیری ماشین
• 3. انواع عامل‌های هوشمند
• 4. مدل‌های عامل‌های هوشمند
• 5. یادگیری تقویتی به عنوان زیربنای یادگیری چندعامله
• 6. مفاهیم اساسی یادگیری تقویتی
• 7. تابع ارزش و تابع سیاست
• 8. اکتشاف در مقابل بهره‌برداری
• 9. یادگیری بدون مدل و با مدل
• 10. الگوریتم‌های یادگیری تقویتی بدون مدل (Q-Learning)
• 11. الگوریتم‌های یادگیری تقویتی بدون مدل (SARSA)
• 12. الگوریتم‌های یادگیری تقویتی با مدل (Dynamic Programming)
• 13. یادگیری عمیق در یادگیری تقویتی (Deep Q-Networks)
• 14. یادگیری چندعامله: چالش‌ها و فرصت‌ها
• 15. تفاوت یادگیری تک‌عامله و چندعامله
• 16. محیط‌های مشترک و تک‌عامله
• 17. تعامل بین عامل‌ها
• 18. مسائل هماهنگی و همکاری
• 19. مسائل رقابت و تعارض
• 20. تقویت یادگیری در محیط‌های چندعامله
• 21. یادگیری تقویتی مشترک (Joint Reinforcement Learning)
• 22. یادگیری تقویتی تفکیک‌شده (Decentralized Reinforcement Learning)
• 23. یادگیری تقویتی مبتنی بر عامل (Agent-based Reinforcement Learning)
• 24. یادگیری تقویتی مبتنی بر مدل محیط (Model-based Reinforcement Learning)
• 25. یادگیری تقویتی مبتنی بر سیاست (Policy Gradient Methods)
• 26. یادگیری تقویتی مبتنی بر ارزش (Value-based Methods)
• 27. روش‌های ترکیبی در یادگیری چندعامله
• 28. معرفی بازی‌های شبیه‌سازی شده برای یادگیری چندعامله
• 29. بازی مانت کارلو در مدیریت برنامه
• 30. بازی‌های صفر و یک در مدیریت برنامه
• 31. بازی‌های غیرصفر و یک در مدیریت برنامه
• 32. محیط‌های پویا و استاتیک در یادگیری چندعامله
• 33. مدل‌سازی محیط‌های پیچیده برای مدیریت برنامه
• 34. تکنیک‌های مدل‌سازی محیط‌های چندعامله
• 35. یادگیری مدل محیط با استفاده از داده‌های مشاهده شده
• 36. شبکه‌های عصبی بازگشتی (RNN) برای مدل‌سازی محیط
• 37. شبکه‌های حافظه کوتاه‌مدت بلند (LSTM) برای مدل‌سازی محیط
• 38. شبکه‌های حافظه کوتاه‌مدت (GRU) برای مدل‌سازی محیط
• 39. پیش‌بینی تغییرات محیط با استفاده از مدل‌های یادگیری چندعامله
• 40. بهینه‌سازی تصمیم‌گیری در مدیریت برنامه با یادگیری چندعامله
• 41. کاربرد یادگیری چندعامله در تخصیص منابع
• 42. کاربرد یادگیری چندعامله در زمان‌بندی وظایف
• 43. کاربرد یادگیری چندعامله در مدیریت زنجیره تأمین
• 44. کاربرد یادگیری چندعامله در بهینه‌سازی شبکه
• 45. کاربرد یادگیری چندعامله در مدیریت ریسک پروژه
• 46. کاربرد یادگیری چندعامله در پیش‌بینی تقاضا
• 47. کاربرد یادگیری چندعامله در مدیریت موجودی
• 48. کاربرد یادگیری چندعامله در بهینه‌سازی مسیر
• 49. کاربرد یادگیری چندعامله در مدیریت ترافیک
• 50. کاربرد یادگیری چندعامله در سیستم‌های توصیه‌گر
• 51. کاربرد یادگیری چندعامله در رباتیک و خودمختاری
• 52. کاربرد یادگیری چندعامله در بازی‌های استراتژیک
• 53. کاربرد یادگیری چندعامله در تحلیل داده‌های کلان
• 54. کاربرد یادگیری چندعامله در سیستم‌های مالی
• 55. کاربرد یادگیری چندعامله در شبکه‌های هوشمند
• 56. کاربرد یادگیری چندعامله در سلامت الکترونیک
• 57. کاربرد یادگیری چندعامله در آموزش هوشمند
• 58. کاربرد یادگیری چندعامله در مدیریت انرژی
• 59. الگوریتم‌های پیشرفته یادگیری چندعامله
• 60. Deep Deterministic Policy Gradient (DDPG)
• 61. Asynchronous Advantage Actor-Critic (A3C)
• 62. Multi-Agent Deep Deterministic Policy Gradient (MADDPG)
• 63. Counterfactual Multi-Agent Policy Gradients (COMA)
• 64. QMIX: Value Decomposition Networks for Cooperative Multi-Agent Learning
• 65. VDN: Value-Decomposition Networks for Cooperative Multi-Agent Learning
• 66. Learning with Opponent-Learning Awareness (LOLA)
• 67. Policy Mirroring for Multi-Agent Reinforcement Learning
• 68. Greedy-IQ Learning for Multi-Agent Coordination
• 69. Shared Autonomy in Multi-Agent Systems
• 70. Emergent Communication in Multi-Agent Systems
• 71. Robust Multi-Agent Reinforcement Learning
• 72. Safe Multi-Agent Reinforcement Learning
• 73. Explainable Multi-Agent Reinforcement Learning
• 74. Fairness in Multi-Agent Reinforcement Learning
• 75. Meta-Learning for Multi-Agent Systems
• 76. Transfer Learning for Multi-Agent Systems
• 77. Federated Multi-Agent Reinforcement Learning
• 78. Scalable Multi-Agent Reinforcement Learning
• 79. Human-in-the-Loop Multi-Agent Reinforcement Learning
• 80. Multi-Agent Reinforcement Learning for Planning
• 81. Multi-Agent Reinforcement Learning for Control
• 82. Multi-Agent Reinforcement Learning for Optimization
• 83. Multi-Agent Reinforcement Learning for Decision Support
• 84. Multi-Agent Reinforcement Learning for Simulation
• 85. Multi-Agent Reinforcement Learning for Robotics
• 86. Multi-Agent Reinforcement Learning for Finance
• 87. Multi-Agent Reinforcement Learning for Healthcare
• 88. Multi-Agent Reinforcement Learning for Education
• 89. Multi-Agent Reinforcement Learning for Energy
• 90. Multi-Agent Reinforcement Learning for Transportation
• 91. Multi-Agent Reinforcement Learning for Supply Chain
• 92. Multi-Agent Reinforcement Learning for Project Management
• 93. Multi-Agent Reinforcement Learning for Resource Allocation
• 94. Multi-Agent Reinforcement Learning for Scheduling
• 95. Multi-Agent Reinforcement Learning for Risk Management
• 96. Multi-Agent Reinforcement Learning for Demand Forecasting
• 97. Multi-Agent Reinforcement Learning for Inventory Management
• 98. Multi-Agent Reinforcement Learning for Path Optimization
• 99. Multi-Agent Reinforcement Learning for Traffic Management
• 100. Multi-Agent Reinforcement Learning for Recommender Systems