کتاب بهینه‌سازی تصمیم‌گیری با عامل مرکزی در سیستم‌های عامل با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 62,488 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره بهینه‌سازی تصمیم‌گیری با عامل مرکزی در سیستم‌های عامل

موضوع کلی: یادگیری تقویتی چندعامله (MARL)

موضوع میانی: روش‌های مبتنی بر عامل مرکزی (Centralized Agent Methods)

📋 سرفصل‌های دوره

  • 1. مقدمه‌ای بر یادگیری تقویتی چندعامله و کاربردهای آن
  • 2. چالش‌های یادگیری تقویتی در محیط‌های چندعامله
  • 3. مفاهیم کلیدی عامل مرکزی در MARL
  • 4. معماری‌های پایه عامل مرکزی
  • 5. انواع سیاست‌های عامل مرکزی
  • 6. مدل‌سازی محیط و فضای حالت در سیستم‌های چندعامله
  • 7. روش‌های مشاهده‌برداری مرکزی
  • 8. ارتباط و هماهنگی بین عامل‌ها با عامل مرکزی
  • 9. یادگیری Q-function مرکزی
  • 10. یادگیری Policy Gradient مرکزی
  • 11. بهینه‌سازی سیاست با استفاده از Actor-Critic مرکزی
  • 12. الگوریتم‌های مبتنی بر Value Decomposition
  • 13. روش‌های Centralized Training with Decentralized Execution (CTDE)
  • 14. استفاده از بازخورد سراسری برای بهبود یادگیری
  • 15. تکنیک‌های کاهش واریانس در یادگیری مرکزی
  • 16. بهینه‌سازی تابع پاداش در محیط‌های چندعامله
  • 17. کاوش و بهره‌برداری در یادگیری تقویتی مرکزی
  • 18. پیاده‌سازی عامل مرکزی با استفاده از شبکه‌های عصبی
  • 19. شبکه‌های عصبی بازگشتی (RNN) برای عامل‌های مرکزی
  • 20. شبکه‌های عصبی کانولوشنی (CNN) برای عامل‌های مرکزی
  • 21. Transformerها در عامل‌های مرکزی
  • 22. استفاده از Attention Mechanism در عامل مرکزی
  • 23. یادگیری تقویتی سلسله مراتبی با عامل مرکزی
  • 24. مدیریت منابع با عامل مرکزی
  • 25. کنترل ترافیک با عامل مرکزی
  • 26. مدیریت انرژی با عامل مرکزی
  • 27. رباتیک چندعامله با عامل مرکزی
  • 28. چندعامله سازی در بازی‌های ویدئویی
  • 29. یادگیری تقویتی مرکزی در سیستم‌های توزیع شده
  • 30. چالش‌های مقیاس‌پذیری در یادگیری تقویتی مرکزی
  • 31. تکنیک‌های موازی‌سازی برای یادگیری سریع‌تر
  • 32. ارزیابی و مقایسه الگوریتم‌های عامل مرکزی
  • 33. متریک‌های ارزیابی عملکرد در MARL
  • 34. تحلیل حساسیت پارامترها در یادگیری مرکزی
  • 35. استراتژی‌های تنظیم هایپرپارامترها
  • 36. یادگیری انتقالی (Transfer Learning) در MARL
  • 37. یادگیری چندوظیفه‌ای (Multi-Task Learning) با عامل مرکزی
  • 38. یادگیری تقویتی آفلاین (Offline RL) و عامل مرکزی
  • 39. یادگیری تقویتی ایمن (Safe RL) با عامل مرکزی
  • 40. مفاهیم پیشرفته در یادگیری تقویتی مرکزی
  • 41. مسائل باز در یادگیری تقویتی چندعامله
  • 42. بررسی مقالات و پروژه‌های روز MARL با عامل مرکزی
  • 43. پیاده‌سازی یک پروژه عملی با عامل مرکزی
تگ‌ها: Centralized Agent centralized control Deep Reinforcement Learning MARL multi-agent systems policy optimization reinforcement learning value decomposition بهینه‌سازی تصمیم‌گیری سیستم‌های چندعامله عامل مرکزی یادگیری تقویتی یادگیری تقویتی چندعامله یادگیری عمیق تقویتی

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.