فلش‌کارت‌های آموزشی یادگیری تقویتی چندعامله: ناظر مرکزی عامل مستقل و کاربردهای آن

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره یادگیری تقویتی چندعامله: ناظر مرکزی عامل مستقل و کاربردهای آن

موضوع کلی: یادگیری تقویتی چندعامله (MARL)

موضوع میانی: روش‌های مبتنی بر ناظر مرکزی/عامل مستقل (Centralized Critic/Independent Actor)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری تقویتی چندعامله
• 2. مفاهیم پایه یادگیری تقویتی
• 3. عناصر اصلی محیط یادگیری تقویتی
• 4. تابع پاداش و اهمیت آن
• 5. مدل‌های مارکوف تصمیم‌گیری (MDP)
• 6. فرایندهای تصمیم‌گیری مارکوف تعمیم‌یافته (G)MDP
• 7. تفاوت MDP و G)MDP)
• 8. یادگیری تقویتی در مقابل یادگیری نظارت شده
• 9. یادگیری تقویتی در مقابل یادگیری بدون نظارت
• 10. انواع یادگیری تقویتی: مدل‌بنیان و بدون مدل
• 11. الگوریتم‌های یادگیری تقویتی مدل‌بنیان
• 12. الگوریتم‌های یادگیری تقویتی بدون مدل
• 13. یادگیری ارزش (Value Learning)
• 14. یادگیری سیاست (Policy Learning)
• 15. یادگیری ارزش-سیاست (Actor-Critic)
• 16. مفهوم عامل (Agent) در یادگیری تقویتی
• 17. مفهوم محیط (Environment)
• 18. مفهوم حالت (State)
• 19. مفهوم عمل (Action)
• 20. مفهوم مشاهده (Observation)
• 21. مفهوم پاداش (Reward)
• 22. تابع سیاست (Policy Function)
• 23. تابع ارزش (Value Function)
• 24. تابع ارزش حالت (State-Value Function)
• 25. تابع ارزش حالت-عمل (Action-Value Function)
• 26. ارتباط تابع ارزش و تابع ارزش حالت-عمل
• 27. اپسیلون-حریصانه (Epsilon-Greedy)
• 28. شبیه‌سازی سیاست (Policy Simulation)
• 29. برنامه‌ریزی پویا (Dynamic Programming)
• 30. الگوریتم‌های تکرار ارزش (Value Iteration)
• 31. الگوریتم‌های تکرار سیاست (Policy Iteration)
• 32. تقریب تابع ارزش (Function Approximation)
• 33. یادگیری تقویتی عمیق (Deep Reinforcement Learning)
• 34. شبکه‌های عصبی در یادگیری تقویتی
• 35. شبکه‌های عصبی کانولوشنی (CNN) در RL
• 36. شبکه‌های عصبی بازگشتی (RNN) در RL
• 37. یادگیری عمیق Q (Deep Q-Learning)
• 38. شبکه Q عصبی (DQN)
• 39. بهینه‌سازی DQN
• 40. Double DQN
• 41. Prioritized Experience Replay
• 42. Dueling DQN
• 43. مقدمه‌ای بر یادگیری تقویتی چندعامله (MARL)
• 44. تفاوت MARL با یادگیری تقویتی تک‌عامله
• 45. چالش‌های اصلی در MARL
• 46. همکاری (Cooperation) در MARL
• 47. رقابت (Competition) در MARL
• 48. ترکیبی از همکاری و رقابت
• 49. ناظر مرکزی (Centralized Controller)
• 50. عامل مستقل (Independent Learners)
• 51. مدل‌های ناظر مرکزی عامل مستقل (CTDE)
• 52. مفهوم فضای حالت مشترک
• 53. مفهوم فضای عمل مشترک
• 54. تکنیک‌های هماهنگی در MARL
• 55. تکنیک‌های ارتباطی در MARL
• 56. ارتباطات صریح (Explicit Communication)
• 57. ارتباطات ضمنی (Implicit Communication)
• 58. یادگیری تقویتی با تمرکز بر عامل مستقل
• 59. الگوریتم‌های یادگیری تقویتی عامل مستقل
• 60. یادگیری Q عامل مستقل (IQL)
• 61. یادگیری سیاست عامل مستقل (IPGL)
• 62. بازی‌های جمعی (Team Games)
• 63. بازی‌های صفر و جمع (Zero-Sum Games)
• 64. بازی‌های غیرصفر و جمع
• 65. مفهوم تعادل نش (Nash Equilibrium)
• 66. کاربرد تعادل نش در MARL
• 67. یادگیری تقویتی برای عامل‌های مستقل در محیط‌های مشترک
• 68. تکنیک‌های یادگیری سیاست برای عامل‌های مستقل
• 69. یادگیری تقویتی چندعامله با ناظر مرکزی
• 70. الگوریتم‌های ناظر مرکزی در MARL
• 71. MADDPG (Multi-Agent Deep Deterministic Policy Gradient)
• 72. COMA (Counterfactual Multi-Agent Policy Gradients)
• 73. QMIX
• 74. VDN (Value Decomposition Networks)
• 75. اتحاد توابع ارزش (Value Function Factorization)
• 76. ناظر مرکزی برای بهبود سیاست عامل مستقل
• 77. کاربردهای ناظر مرکزی در هماهنگی
• 78. کاربردهای عامل مستقل در مقیاس‌پذیری
• 79. سیستم‌های توزیع‌شده در MARL
• 80. یادگیری تقویتی توزیع‌شده
• 81. یادگیری تقویتی فدرال (Federated RL)
• 82. کاربردهای MARL در رباتیک
• 83. کاربردهای MARL در خودروهای خودران
• 84. کاربردهای MARL در شبکه‌های هوشمند
• 85. کاربردهای MARL در بازی‌های کامپیوتری
• 86. کاربردهای MARL در مدیریت منابع
• 87. کاربردهای MARL در اقتصاد
• 88. کاربردهای MARL در بهینه‌سازی شبکه‌های ارتباطی
• 89. کاربردهای MARL در سیستم‌های توصیه‌گر
• 90. ارزیابی عملکرد در MARL
• 91. معیارهای سنجش در MARL
• 92. شبیه‌سازی محیط‌های چندعامله
• 93. طراحی تابع پاداش در MARL
• 94. تست و اعتبارسنجی مدل‌های MARL
• 95. ملاحظات اخلاقی در MARL
• 96. امنیت در سیستم‌های چندعامله
• 97. مقاومت در برابر حملات
• 98. حریم خصوصی عامل‌ها
• 99. یادگیری تقویتی چندعامله امن
• 100. مباحث پیشرفته در MARL