فلش‌کارت‌های آموزشی یادگیری تقویتی و پس‌انداز-مصرف: کشف الگوهای رفتاری پیچیده در شرایط عدم قطعیت

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره یادگیری تقویتی و پس‌انداز-مصرف: کشف الگوهای رفتاری پیچیده در شرایط عدم قطعیت

موضوع کلی: اقتصاد رفتاری و یادگیری ماشین

موضوع میانی: کاربرد یادگیری تقویتی در تحلیل رفتار مصرف‌کننده

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر اقتصاد رفتاری و یادگیری ماشین
• 2. مقدمه‌ای بر رفتار مصرف‌کننده
• 3. مقدمه‌ای بر رفتار پس‌انداز
• 4. مفهوم عدم قطعیت در اقتصاد
• 5. مدل‌های کلاسیک رفتار مصرف-پس‌انداز
• 6. فرضیه درآمد دائمی
• 7. فرضیه چرخه زندگی
• 8. محدودیت‌های مدل‌های کلاسیک
• 9. نیاز به رویکردهای نوین
• 10. مقدمه‌ای بر یادگیری ماشین
• 11. یادگیری نظارت شده
• 12. یادگیری بدون نظارت
• 13. یادگیری تقویتی: نمای کلی
• 14. مفاهیم اساسی یادگیری تقویتی
• 15. عامل (Agent)
• 16. محیط (Environment)
• 17. حالت (State)
• 18. عمل (Action)
• 19. پاداش (Reward)
• 20. سیاست (Policy)
• 21. تابع ارزش (Value Function)
• 22. تابع اکشن-ارزش (Q-Function)
• 23. هدف یادگیری تقویتی
• 24. فرآیند یادگیری تقویتی
• 25. مدل‌های یادگیری تقویتی
• 26. مدل‌های مبتنی بر ارزش
• 27. مدل‌های مبتنی بر سیاست
• 28. مدل‌های ترکیبی
• 29. یادگیری تقویتی در اقتصاد
• 30. چالش‌های اعمال یادگیری تقویتی در مسائل اقتصادی
• 31. قابلیت تفسیر (Interpretability)
• 32. مقیاس‌پذیری (Scalability)
• 33. داده‌ها و شبیه‌سازی
• 34. مقاله "Reinforcement Learning and Consumption-Savings Behavior"
• 35. اهداف اصلی مقاله
• 36. مدل‌سازی رفتار مصرف-پس‌انداز با یادگیری تقویتی
• 37. مولفه‌های کلیدی در مدل مقاله
• 38. تابع ابزار (Utility Function)
• 39. محدودیت بودجه (Budget Constraint)
• 40. تغییرات درآمد (Income Shocks)
• 41. عدم قطعیت در مورد آینده
• 42. مدل عامل اقتصادی (Economic Agent Model)
• 43. تعریف وضعیت (State Definition) در مدل
• 44. درآمد فعلی
• 45. میزان دارایی فعلی
• 46. انتظارات آینده
• 47. تعریف عمل (Action Definition) در مدل
• 48. میزان مصرف (Consumption)
• 49. میزان پس‌انداز (Savings)
• 50. تعریف پاداش (Reward Definition) در مدل
• 51. ابزار مصرف
• 52. بقایای دارایی
• 53. تنبیه برای بدهی
• 54. الگوریتم‌های یادگیری تقویتی مورد استفاده در مقاله
• 55. Q-Learning
• 56. Deep Q-Networks (DQN)
• 57. Policy Gradients
• 58. Actor-Critic Methods
• 59. پیاده‌سازی Q-Learning برای مسئله مصرف-پس‌انداز
• 60. جدول Q (Q-Table)
• 61. فرمول به‌روزرسانی Q-Learning
• 62. کاوش و بهره‌برداری (Exploration vs. Exploitation)
• 63. پیاده‌سازی DQN برای مسئله مصرف-پس‌انداز
• 64. شبکه‌های عصبی عمیق (Deep Neural Networks)
• 65. حافظه تجدیدپذیر (Replay Memory)
• 66. هدف شبکه‌های عصبی در DQN
• 67. مشکلات و راهکارهای DQN
• 68. پیاده‌سازی Policy Gradients برای مسئله مصرف-پس‌انداز
• 69. نماینده سیاست (Policy Network)
• 70. تابع هدف (Objective Function)
• 71. گرادیان سیاست (Policy Gradient)
• 72. مشکلات و راهکارهای Policy Gradients
• 73. پیاده‌سازی Actor-Critic Methods
• 74. عامل (Actor)
• 75. منتقد (Critic)
• 76. نحوه همکاری عامل و منتقد
• 77. کاربرد این روش‌ها در شبیه‌سازی رفتار
• 78. تحلیل نتایج شبیه‌سازی‌ها
• 79. مقایسه با مدل‌های کلاسیک
• 80. نشان دادن پیچیدگی‌های رفتاری
• 81. نقش عدم قطعیت در تصمیم‌گیری
• 82. تأثیر تغییرات درآمد بر رفتار
• 83. تأثیر انتظارات بر رفتار
• 84. مفاهیم جدید کشف شده از طریق یادگیری تقویتی
• 85. استراتژی‌های پس‌انداز بهینه
• 86. استراتژی‌های مصرف بهینه
• 87. نقش شبکه عصبی در یادگیری الگوها
• 88. تجزیه و تحلیل حساسیت (Sensitivity Analysis)
• 89. تغییر پارامترهای مدل
• 90. تأثیر اندازه شبکه عصبی
• 91. تأثیر نرخ یادگیری (Learning Rate)
• 92. تأثیر ضریب تنزیل (Discount Factor)
• 93. بررسی سناریوهای مختلف
• 94. سناریوهای با نوسانات درآمد بالا
• 95. سناریوهای با عدم قطعیت بالا در انتظارات
• 96. سناریوهای با تغییرات نرخ بهره
• 97. محدودیت‌های رویکرد یادگیری تقویتی در این مقاله
• 98. فرضیات مدل
• 99. پیچیدگی محاسباتی
• 100. قابلیت تعمیم (Generalization) نتایج