فلش‌کارت‌های آموزشی یادگیری تقویتی در عمل: کار با PyMARL

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره یادگیری تقویتی در عمل: کار با PyMARL

موضوع کلی: یادگیری تقویتی چندعامله (MARL)

موضوع میانی: PyMARL

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری تقویتی چند عاملی
• 2. مفاهیم پایه یادگیری تقویتی
• 3. حالت، عمل، پاداش و سیاست
• 4. تابع ارزش و تابع کیفیت-عمل
• 5. روش‌های یادگیری تقویتی مبتنی بر مدل
• 6. روش‌های یادگیری تقویتی بدون مدل
• 7. یادگیری تقویتی تفاضلی زمانی (TD Learning)
• 8. یادگیری Q
• 9. یادگیری SARSA
• 10. یادگیری عمیق تقویتی (Deep RL)
• 11. شبکه‌های عصبی در یادگیری تقویتی
• 12. شبکه‌های عصبی کانولوشنی (CNN)
• 13. شبکه‌های عصبی بازگشتی (RNN)
• 14. معماری‌های Deep RL
• 15. DQN (Deep Q-Network)
• 16. Double DQN
• 17. Dueling DQN
• 18. Prioritized Experience Replay
• 19. Actor-Critic Methods
• 20. A2C (Advantage Actor-Critic)
• 21. A3C (Asynchronous Advantage Actor-Critic)
• 22. DDPG (Deep Deterministic Policy Gradient)
• 23. TD3 (Twin Delayed DDPG)
• 24. SAC (Soft Actor-Critic)
• 25. یادگیری تقویتی چند عاملی (MARL)
• 26. چالش‌های یادگیری تقویتی چند عاملی
• 27. فضاهای حالت و عمل مشترک در MARL
• 28. فضاهای حالت و عمل جداگانه در MARL
• 29. هماهنگی و رقابت در MARL
• 30. مدل‌های همکاری در MARL
• 31. مدل‌های رقابتی در MARL
• 32. مدل‌های مختلط در MARL
• 33. PyMARL: چارچوب یادگیری تقویتی چند عاملی
• 34. نصب و راه‌اندازی PyMARL
• 35. ساختار پروژه‌های PyMARL
• 36. محیط‌های آزمایشی در PyMARL
• 37. StarCraft II Environment
• 38. SMAC (Simplified Multi-Agent StarCraft)
• 39. توسعه محیط‌های سفارشی در PyMARL
• 40. معرفی الگوریتم‌های PyMARL
• 41. VDN (Value Decomposition Networks)
• 42. QMIX (Q-value Mixing)
• 43. MADDPG (Multi-Agent DDPG)
• 44. COMA (Counterfactual Multi-Agent Policy Gradients)
• 45. IQL (Independent Q-Learning)
• 46. ناظران (Agents) در PyMARL
• 47. پیکربندی ناظران
• 48. آموزش ناظران
• 49. تنظیمات هایپرپارامترها
• 50. ارزیابی عملکرد ناظران
• 51. تجسم نتایج در PyMARL
• 52. مثال‌های کاربردی PyMARL
• 53. مدیریت ترافیک شهری با MARL
• 54. کنترل ربات‌های صنعتی با MARL
• 55. بازی‌های چند نفره با MARL
• 56. بهینه‌سازی منابع در شبکه‌های توزیع شده
• 57. یادگیری تقویتی برای سیستم‌های توصیه‌گر
• 58. سیستم‌های توصیه‌گر مبتنی بر عامل
• 59. ملاحظات اخلاقی در MARL
• 60. حریم خصوصی و امنیت در MARL
• 61. تعصب و عدالت در الگوریتم‌های MARL
• 62. مباحث پیشرفته در MARL
• 63. یادگیری تقویتی با عاملان نامتقارن
• 64. یادگیری تقویتی با ارتباطات بین عاملان
• 65. یادگیری تقویتی در زمان-واقعی
• 66. یادگیری تقویتی برای رباتیک
• 67. یادگیری تقویتی در سیستم‌های فیزیکی
• 68. کاربرد PyMARL در تحقیقات علمی
• 69. مقایسه PyMARL با سایر چارچوب‌ها
• 70. روندهای آینده در MARL
• 71. انتخاب الگوریتم مناسب برای مسئله
• 72. شناسایی چالش‌های خاص مسئله
• 73. طراحی تابع پاداش مؤثر
• 74. ملاحظات پیاده‌سازی در PyMARL
• 75. استفاده از GPU برای تسریع آموزش
• 76. مدیریت حافظه در مسائل بزرگ
• 77. عیب‌یابی و اشکال‌زدایی در PyMARL
• 78. روش‌های بهبود پایداری آموزش
• 79. مطالعه موردی: کنترل ناوگان وسایل نقلیه خودران
• 80. مطالعه موردی: هماهنگی ربات‌های انبار
• 81. مطالعه موردی: مدیریت منابع انرژی هوشمند
• 82. مطالعه موردی: بازی‌های استراتژیک پیچیده
• 83. روش‌های ارزیابی robust بودن عاملان
• 84. تست در سناریوهای ناشناخته
• 85. تکنیک‌های اکتشاف و بهره‌برداری
• 86. یادگیری تقویتی با اطلاعات محدود
• 87. یادگیری تقویتی در محیط‌های پویا
• 88. مفاهیم یادگیری ماشین در MARL
• 89. یادگیری تقویتی مبتنی بر مدل‌های احتمالی
• 90. شبکه‌های عصبی گراف (GNN) در MARL
• 91. روش‌های یادگیری تقویتی جمعی
• 92. کاربرد PyMARL در حل مسائل بهینه‌سازی
• 93. پیاده‌سازی الگوریتم‌های جدید در PyMARL
• 94. مشارکت در جامعه PyMARL
• 95. نکات پایانی و راهنمایی برای پروژه‌های آتی