فلش‌کارت‌های آموزشی از تئوری تا عمل: پیاده‌سازی الگوریتم‌های یادگیری تقویتی چندعامله

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره از تئوری تا عمل: پیاده‌سازی الگوریتم‌های یادگیری تقویتی چندعامله

موضوع کلی: یادگیری تقویتی چندعامله (MARL)

موضوع میانی: الگوریتم‌های MARL

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری تقویتی چندعامله
• 2. مفاهیم پایه یادگیری تقویتی
• 3. عامل‌های یادگیرنده و محیط
• 4. تابع پاداش و تابع ارزش
• 5. فضای حالت و فضای عمل
• 6. مدل‌های مارکوف تصمیم‌گیری (MDP)
• 7. حالت‌های پایانی و شروع
• 8. روش‌های یادگیری تقویتی بدون مدل
• 9. یادگیری آفلاین و آنلاین
• 10. یادگیری مبتنی بر جدول و مبتنی بر تابع
• 11. الگوریتم‌های Q-Learning
• 12. یادگیری SARSA
• 13. یادگیری مبتنی بر سیاست (Policy Gradients)
• 14. الگوریتم REINFORCE
• 15. یادگیریActor-Critic
• 16. مفاهیم اساسی یادگیری تقویتی چندعامله (MARL)
• 17. تفاوت MARL با یادگیری تقویتی تک عامله
• 18. چالش‌های اصلی در MARL
• 19. عدم ایستایی محیط از دید هر عامل
• 20. مسئله هماهنگی و رقابت
• 21. فضای حالت و عمل ترکیبی
• 22. انواع سناریوهای MARL (همکارانه، رقابتی، مختلط)
• 23. مدل‌های یادگیری تقویتی چندعامله
• 24. مدل‌های مرکزی (Centralized)
• 25. مدل‌های توزیع‌شده (Decentralized)
• 26. مدل‌های ترکیبی (Centralized Training, Decentralized Execution)
• 27. الگوریتم‌های یادگیری تقویتی چندعامله
• 28. تکامل Q-Learning برای MARL
• 29. تکامل SARSA برای MARL
• 30. الگوریتم‌های مبتنی بر سیاست برای MARL
• 31. COMA (Counterfactual Multi-Agent Policy Gradients)
• 32. MADDPG (Multi-Agent Deep Deterministic Policy Gradient)
• 33. QMIX (Value Decomposition Networks)
• 34. VDN (Value Decomposition Networks)
• 35. IQL (Independent Q-Learning)
• 36. DOQM (Decentralized Optimal Q-Learning)
• 37. اتخاذ تصمیم در محیط‌های همکارانه
• 38. یادگیری استراتژی‌های مشترک
• 39. تشویق به همکاری بین عامل‌ها
• 40. مکانیسم‌های ارتباطی بین عامل‌ها
• 41. اشتراک‌گذاری اطلاعات و تجربیات
• 42. مدل‌سازی عامل‌های دیگر
• 43. یادگیری در محیط‌های رقابتی
• 44. مدل‌سازی حریف
• 45. استراتژی‌های مقابله‌ای
• 46. تعادل نش (Nash Equilibrium)
• 47. یادگیری در بازی‌های مجموع صفر
• 48. یادگیری در محیط‌های مختلط
• 49. ترکیب همکاری و رقابت
• 50. پیاده‌سازی الگوریتم‌های MARL
• 51. انتخاب چارچوب‌های نرم‌افزاری (Ray RLlib, PettingZoo)
• 52. تعریف محیط‌های شبیه‌سازی شده
• 53. تنظیم پارامترهای الگوریتم‌ها
• 54. ارزیابی عملکرد عامل‌ها
• 55. معیارهای ارزیابی در MARL
• 56. تجزیه و تحلیل نتایج
• 57. تکنیک‌های پیشرفته در MARL
• 58. یادگیری تقویتی عمیق چندعامله
• 59. شبکه‌های عصبی کانولوشنال در MARL
• 60. شبکه‌های عصبی بازگشتی در MARL
• 61. یادگیری تقویتی با پاداش مصنوعی
• 62. یادگیری با انتقال (Transfer Learning) در MARL
• 63. یادگیری با تقلید (Imitation Learning) در MARL
• 64. کاربردها و مطالعات موردی MARL
• 65. کنترل ترافیک هوشمند
• 66. مدیریت منابع انرژی
• 67. رباتیک و سیستم‌های خودکار
• 68. بازی‌های کامپیوتری چندنفره
• 69. سیستم‌های توزیع‌شده و شبکه‌ها
• 70. آموزش و شبیه‌سازی در حوزه‌های مختلف
• 71. ملاحظات اخلاقی و امنیتی در MARL
• 72. مسئولیت‌پذیری عامل‌های هوشمند
• 73. تفسیرپذیری تصمیمات عامل‌ها
• 74. امنیت سیستم‌های چندعامله
• 75. چالش‌های پیاده‌سازی در دنیای واقعی
• 76. مقیاس‌پذیری الگوریتم‌های MARL
• 77. دقت و پایداری عامل‌ها
• 78. سازگاری با تغییرات محیطی
• 79. آینده پژوهش در یادگیری تقویتی چندعامله
• 80. روش‌های جدید و نوآورانه
• 81. حل چالش‌های فعلی
• 82. کاربردهای نوظهور
• 83. ارتباط با سایر حوزه‌های هوش مصنوعی
• 84. مقدمه‌ای بر اقتصاد رفتاری در MARL
• 85. تأثیر عوامل روانی بر تصمیم‌گیری
• 86. مدل‌سازی رفتار عامل‌ها
• 87. اصول اقتصاد خرد در MARL
• 88. نظریه بازی‌های تکاملی
• 89. کاربرد در بازارهای مالی و اقتصادی
• 90. سیستم‌های توصیه‌گر چندعامله
• 91. شخصی‌سازی تجربیات کاربری
• 92. هماهنگی بین عامل‌های توصیه‌گر
• 93. بهبود دقت و تنوع توصیه‌ها
• 94. مباحث پیشرفته در مدل‌سازی محیط
• 95. مدل‌سازی پویا و غیرایستا
• 96. یادگیری مدل محیط
• 97. استفاده از مدل برای برنامه‌ریزی
• 98. کاربرد در رباتیک و ناوبری
• 99. سیستم‌های تشخیص و شناسایی چندعامله
• 100. یادگیری تقویتی برای تشخیص اشیاء