فلش‌کارت‌های آموزشی پیاده‌سازی و ارزیابی کارآمد الگوریتم‌های MARL با PyMARL

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره پیاده‌سازی و ارزیابی کارآمد الگوریتم‌های MARL با PyMARL

موضوع کلی: یادگیری تقویتی چندعامله (MARL)

موضوع میانی: PyMARL

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری تقویتی چند عامله (MARL)
• 2. مبانی یادگیری تقویتی (RL)
• 3. عناصر کلیدی در یادگیری تقویتی
• 4. انواع یادگیری تقویتی
• 5. مقدمه‌ای بر PyMARL
• 6. نصب و راه‌اندازی PyMARL
• 7. ساختار کلی PyMARL
• 8. مفاهیم پایه در PyMARL
• 9. مدل‌های عامل در MARL
• 10. ارتباطات بین عامل‌ها
• 11. محیط‌های استاندارد برای MARL
• 12. نمونه‌سازی محیط‌های سفارشی
• 13. مدل‌های یادگیری در MARL
• 14. یادگیری متمرکز و غیرمتمرکز
• 15. یادگیری مبتنی بر عامل (Agent-based learning)
• 16. یادگیری مبتنی بر سیاست (Policy-based learning)
• 17. یادگیری مبتنی بر ارزش (Value-based learning)
• 18. اتحاد عامل‌ها (Centralized training)
• 19. جداسازی عامل‌ها (Decentralized execution)
• 20. الگوریتم‌های کلاسیک MARL
• 21. MADDPG (Multi-Agent Deep Deterministic Policy Gradient)
• 22. QMIX (Q-learning for Mixed Cooperative-Environments)
• 23. VDN (Value Decomposition Networks)
• 24. COMA (Counterfactual Multi-Agent Policy Gradients)
• 25. IQL (Independent Q-Learning)
• 26. اتحاد در آموزش و جداسازی در اجرا (CTDE)
• 27. معماری‌های شبکه عصبی در MARL
• 28. شبکه‌های مولد (Generative Networks)
• 29. شبکه‌های حافظه‌دار (Memory Networks)
• 30. شبکه‌های توجه (Attention Networks)
• 31. ارتباطات صریح بین عامل‌ها
• 32. ارتباطات ضمنی بین عامل‌ها
• 33. پیاده‌سازی MADDPG در PyMARL
• 34. تنظیم پارامترهای MADDPG
• 35. ارزیابی عملکرد MADDPG
• 36. پیاده‌سازی QMIX در PyMARL
• 37. تنظیم پارامترهای QMIX
• 38. ارزیابی عملکرد QMIX
• 39. پیاده‌سازی VDN در PyMARL
• 40. تنظیم پارامترهای VDN
• 41. ارزیابی عملکرد VDN
• 42. پیاده‌سازی COMA در PyMARL
• 43. تنظیم پارامترهای COMA
• 44. ارزیابی عملکرد COMA
• 45. پیاده‌سازی IQL در PyMARL
• 46. تنظیم پارامترهای IQL
• 47. ارزیابی عملکرد IQL
• 48. مدیریت محیط‌های پیچیده در MARL
• 49. محیط‌های با فضای حالت/عمل بزرگ
• 50. محیط‌های با اطلاعات ناقص (Partially Observable Environments)
• 51. محیط‌های با پویایی متغیر
• 52. محیط‌های رقابتی
• 53. محیط‌های مشارکتی
• 54. محیط‌های مختلط (Cooperative-Competitive)
• 55. استراتژی‌های همکاری در MARL
• 56. استراتژی‌های رقابت در MARL
• 57. یادگیری سازگار با محیط
• 58. یادگیری با عامل‌های ناهمگن
• 59. کاربرد MARL در رباتیک
• 60. کاربرد MARL در بازی‌ها
• 61. کاربرد MARL در شبکه‌های هوشمند
• 62. کاربرد MARL در مدیریت ترافیک
• 63. کاربرد MARL در سیستم‌های توزیع‌شده
• 64. کاربرد MARL در بهینه‌سازی منابع
• 65. کاربرد MARL در کنترل سیستم‌های صنعتی
• 66. کاربرد MARL در بهینه‌سازی زنجیره تأمین
• 67. کاربرد MARL در سیستم‌های توصیه‌گر
• 68. کاربرد MARL در هوش مصنوعی درمانی
• 69. ارزیابی جامع الگوریتم‌های MARL
• 70. معیارهای ارزیابی عملکرد
• 71. مقایسه الگوریتم‌های مختلف
• 72. تحلیل حساسیت به پارامترها
• 73. شناسایی نقاط قوت و ضعف
• 74. بهینه‌سازی معماری شبکه
• 75. بهینه‌سازی تابع پاداش
• 76. تکنیک‌های منظم‌سازی (Regularization)
• 77. یادگیری تقویتی عمیق (Deep RL) در MARL
• 78. یادگیری تقویتی اکتشافی (Exploratory RL)
• 79. یادگیری تقویتی امن (Safe RL)
• 80. یادگیری تقویتی عادلانه (Fair RL)
• 81. یادگیری تقویتی قابل تفسیر (Interpretable RL)
• 82. یادگیری تقویتی با پاداش پراکنده
• 83. مقدمه‌ای بر مفاهیم پیشرفته MARL
• 84. بازی‌های تکراری (Repeated Games)
• 85. تعادل نش (Nash Equilibrium) در بازی‌ها
• 86. نظریه بازی‌ها و MARL
• 87. پیاده‌سازی الگوریتم‌های پیشرفته با PyMARL
• 88. مدل‌سازی عوامل با درک متقابل (Theory of Mind)
• 89. یادگیری مبتنی بر مدل (Model-based MARL)
• 90. یادگیری تقویتی از طریق مشاهده (Imitation Learning)
• 91. یادگیری تقویتی ترجیحی (Preference-based RL)
• 92. ملاحظات اخلاقی در MARL
• 93. امنیت در سیستم‌های MARL
• 94. قابلیت اطمینان در سیستم‌های MARL
• 95. پایداری در سیستم‌های MARL
• 96. پیاده‌سازی پروژه نهایی در PyMARL
• 97. انتخاب مسئله و محیط مناسب
• 98. طراحی معماری عامل‌ها
• 99. تنظیم و اجرای الگوریتم
• 100. تحلیل نتایج و ارائه گزارش