فلش‌کارت‌های آموزشی شبکه‌های عصبی بازگشتی در افق یادگیری تقویتی چندعامله

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره شبکه‌های عصبی بازگشتی در افق یادگیری تقویتی چندعامله

موضوع کلی: یادگیری تقویتی چندعامله (MARL)

موضوع میانی: شبکه‌های عصبی بازگشتی (RNN)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری تقویتی چندعامله
• 2. مفاهیم اساسی یادگیری تقویتی
• 3. عامل‌ها و محیط در یادگیری تقویتی
• 4. تابع پاداش و سیاست عامل
• 5. مدل‌های فرایند تصمیم‌گیری مارکوف (MDP)
• 6. تعمیم MDP به محیط‌های چندعامله
• 7. مدل‌های یادگیری تقویتی چندعامله (MARL)
• 8. تعریف عامل‌ها، محیط و تعاملات
• 9. انواع تعاملات بین عامل‌ها: همکاری، رقابت، مختلط
• 10. چالش‌های یادگیری تقویتی چندعامله
• 11. عدم ایستایی محیط از دیدگاه یک عامل
• 12. پیچیدگی فزاینده فضای حالت-عمل
• 13. مسئله هماهنگی و همگرایی
• 14. دیدگاه‌های موجود در MARL
• 15. رویکردهای متمرکز (Centralized)
• 16. رویکردهای غیرمتمرکز (Decentralized)
• 17. رویکردهای ترکیبی (Centralized Training, Decentralized Execution)
• 18. شبکه‌های عصبی بازگشتی (RNN) در یادگیری تقویتی
• 19. کاربرد RNN در مدل‌سازی توالی‌ها
• 20. شبکه‌های حافظه کوتاه‌مدت-بلندمدت (LSTM)
• 21. شبکه‌های واحد بازگشتی (GRU)
• 22. مزایای RNN برای داده‌های ترتیبی در MARL
• 23. کاربرد RNN در شبکه‌های عصبی عمیق یادگیرنده عامل (Deep RL)
• 24. یادگیری تقویتی عمیق (Deep Reinforcement Learning - DRL)
• 25. الگوریتم‌های پایه DRL
• 26. شبکه‌های عصبی عمیق در MARL
• 27. استفاده از RNN در شبکه‌های عصبی عامل (Actor-Critic)
• 28. الگوریتم‌های Actor-Critic در MARL
• 29. مدل‌های Actor-Critic متمرکز
• 30. مدل‌های Actor-Critic غیرمتمرکز
• 31. شبکه‌های عصبی بازگشتی در معماری Actor-Critic
• 32. یادگیری سیاست متقابل عامل‌ها (Multi-Agent Policy Gradient)
• 33. الگوریتم‌های Policy Gradient برای چندین عامل
• 34. تکنیک‌های بهبود گرادیان سیاست در MARL
• 35. استفاده از RNN برای یادگیری سیاست‌های پیچیده
• 36. یادگیری ارزش-عمل متقابل عامل‌ها (Multi-Agent Value-Based)
• 37. الگوریتم‌های Q-Learning برای چندین عامل
• 38. تکامل Q-Learning به سمت شبکه‌های عصبی
• 39. کاربرد RNN در شبکه‌های Q-Learning چندعامله
• 40. روش‌های یادگیری بازی‌های مجموع-صفر (Zero-Sum Games)
• 41. تعادل نش (Nash Equilibrium) در بازی‌ها
• 42. الگوریتم‌های مبتنی بر تعادل نش در MARL
• 43. استفاده از RNN برای یافتن تعادل در بازی‌های پویا
• 44. یادگیری بازی‌های مجموع-غیرصفر (Non-Zero-Sum Games)
• 45. همکاری و هماهنگی بین عامل‌ها
• 46. استراتژی‌های یادگیری مبتنی بر همکاری
• 47. کاربرد RNN در مدل‌سازی همکاری‌های پیچیده
• 48. رقابت بین عامل‌ها و رویکردهای رقابتی
• 49. چالش‌های رقابت ناپایدار
• 50. الگوریتم‌های یادگیری مبتنی بر رقابت
• 51. استفاده از RNN برای پیش‌بینی حرکات عامل رقیب
• 52. بازی‌های چندنفره و کاربردهای آن
• 53. شبیه‌سازی بازی‌های چندنفره با MARL
• 54. کاربرد MARL با RNN در رباتیک
• 55. کاربرد MARL با RNN در سیستم‌های توزیع‌شده
• 56. کاربرد MARL با RNN در مدیریت ترافیک
• 57. کاربرد MARL با RNN در شبکه‌های هوشمند
• 58. یادگیری تقویتی از طریق مشاهده (Observational Learning)
• 59. یادگیری از طریق تقلید (Imitation Learning)
• 60. استفاده از RNN در یادگیری تقلیدی چندعامله
• 61. یادگیری مبتنی بر مدل (Model-Based MARL)
• 62. یادگیری مدل محیط با شبکه‌های بازگشتی
• 63. استفاده از مدل آموخته شده برای برنامه‌ریزی
• 64. یادگیری تقویتی بدون مدل (Model-Free MARL)
• 65. مقایسه رویکردهای مبتنی بر مدل و بدون مدل
• 66. الگوریتم‌های یادگیری تقویتی عمیق بازگشتی (DRRN)
• 67. معماری‌های پیشرفته DRRN
• 68. ارزیابی عملکرد الگوریتم‌های MARL با RNN
• 69. سناریوهای شبیه‌سازی استاندارد برای MARL
• 70. معیارهای ارزیابی و سنجش موفقیت
• 71. تحلیل پایداری و همگرایی الگوریتم‌ها
• 72. چالش‌های مقیاس‌پذیری در MARL با RNN
• 73. راهکارهای بهبود مقیاس‌پذیری
• 74. روش‌های کاهش بعد در MARL
• 75. یادگیری تقویتی با عامل‌های محدود
• 76. کاربرد RNN در عامل‌های با حافظه محدود
• 77. مباحث پیشرفته در MARL
• 78. یادگیری تقویتی با پاداش‌های پراکنده
• 79. استراتژی‌های اکتشاف (Exploration) در MARL
• 80. استراتژی‌های بهره‌برداری (Exploitation) در MARL
• 81. یادگیری تقویتی در محیط‌های پویا و غیرایستا
• 82. یادگیری تقویتی با عدم قطعیت
• 83. استفاده از شبکه‌های عصبی بیزی در MARL
• 84. کاربرد RNN در تخمین عدم قطعیت
• 85. نظریه بازی‌های تکاملی (Evolutionary Game Theory)
• 86. ارتباط بین MARL و نظریه بازی‌های تکاملی
• 87. استفاده از الگوریتم‌های تکاملی در MARL
• 88. آموزش عامل‌ها در محیط‌های شبیه‌سازی شده
• 89. انتقال یادگیری (Transfer Learning) در MARL
• 90. کاربرد RNN در انتقال دانش بین عامل‌ها
• 91. یادگیری تقویتی با عامل‌های انسان‌نما
• 92. اخلاق در یادگیری تقویتی چندعامله
• 93. ملاحظات امنیتی در سیستم‌های MARL
• 94. مباحث نوین و روندهای آینده در MARL
• 95. شبکه‌های عصبی کانولوشنی و بازگشتی در MARL
• 96. کاربرد توجه (Attention) در معماری‌های MARL
• 97. یادگیری تقویتی با پاداش‌های اجتماعی
• 98. مدل‌سازی رفتار انسانی با MARL
• 99. کاربرد MARL در سیستم‌های توصیه‌گر چندعامله
• 100. یادگیری تقویتی در رباتیک همکار