فلش‌کارت‌های آموزشی کاوش در معماری‌های عمیق برای یادگیری سیاست در یادگیری تقویتی چندعامله

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره کاوش در معماری‌های عمیق برای یادگیری سیاست در یادگیری تقویتی چندعامله

موضوع کلی: یادگیری تقویتی چندعامله (MARL)

موضوع میانی: الگوریتم‌های مبتنی بر سیاست (Policy-based Algorithms)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری تقویتی چندعامله
• 2. مبانی یادگیری تقویتی
• 3. عوامل و محیط در یادگیری تقویتی
• 4. تابع پاداش و سیاست
• 5. مدل‌های مارکوف تصمیم‌گیری (MDP)
• 6. یادگیری مبتنی بر ارزش
• 7. یادگیری مبتنی بر سیاست
• 8. یادگیری ترکیبی ارزش و سیاست
• 9. معرفی شبکه‌های عصبی عمیق
• 10. شبکه‌های عصبی کانولوشنال (CNN)
• 11. شبکه‌های عصبی بازگشتی (RNN)
• 12. حافظه کوتاه‌مدت طولانی (LSTM)
• 13. شبکه‌های ترانسفورمر
• 14. شبکه‌های عصبی گراف (GNN)
• 15. معماری‌های عمیق برای یادگیری تقویتی
• 16. شبکه‌های عصبی عمیق در یادگیری تقویتی (DQN)
• 17. الگوریتم‌های DQN پیشرفته
• 18. Double DQN
• 19. Dueling DQN
• 20. Prioritized Experience Replay
• 21. Actor-Critic Methods
• 22. Deep Deterministic Policy Gradient (DDPG)
• 23. Twin Delayed Deep Deterministic Policy Gradient (TD3)
• 24. Soft Actor-Critic (SAC)
• 25. Proximal Policy Optimization (PPO)
• 26. Trust Region Policy Optimization (TRPO)
• 27. یادگیری تقویتی چندعامله (MARL)
• 28. مبانی یادگیری تقویتی چندعامله
• 29. چالش‌های یادگیری تقویتی چندعامله
• 30. نوشته‌های مشترک و متقابل
• 31. فضای حالت و عمل مشترک
• 32. هماهنگی و رقابت در MARL
• 33. مدل‌های عامل مرکزی و عامل غیرمتمرکز
• 34. یادگیری عامل مرکزی (CTDE)
• 35. MADDPG (Multi-Agent Deep Deterministic Policy Gradient)
• 36. COMA (Counterfactual Multi-Agent Policy Gradients)
• 37. QMIX
• 38. VDN (Value Decomposition Networks)
• 39. QTRAN
• 40. فرایندهای تصمیم‌گیری مارکوف چندعامله (MMDP)
• 41. مفاهیم اساسی MMDP
• 42. حل MMDP با روش‌های دقیق
• 43. حل MMDP با روش‌های تقریبی
• 44. کاربرد شبکه‌های عصبی در MMDP
• 45. معماری‌های عمیق برای MMDP
• 46. شبکه‌های عصبی برای تابع ارزش در MMDP
• 47. شبکه‌های عصبی برای سیاست در MMDP
• 48. شبکه‌های عصبی کانولوشنال برای ورودی‌های تصویری در MMDP
• 49. شبکه‌های عصبی بازگشتی برای توالی‌ها در MMDP
• 50. ترانسفورمرها در MMDP
• 51. یادگیری مبتنی بر مشاهده در MMDP
• 52. یادگیری مشاهده‌پذیر محدود (POMDP) چندعامله
• 53. مبانی POMDP چندعامله
• 54. چالش‌های POMDP چندعامله
• 55. روش‌های حل POMDP چندعامله
• 56. معماری‌های عمیق برای POMDP چندعامله
• 57. یادگیری مشاهده‌پذیر در عامل مرکزی
• 58. یادگیری مشاهده‌پذیر در عامل غیرمتمرکز
• 59. استراتژی‌های ارتباطی در MARL
• 60. یادگیری ارتباط برای هماهنگی
• 61. مدل‌های ارتباط پیام‌رسانی
• 62. یادگیری ارتباط با استفاده از شبکه‌های عصبی
• 63. یادگیری ارتباط در محیط‌های پویا
• 64. ارتباط خودکار در MARL
• 65. یادگیری تقویتی برای امنیت سایبری
• 66. مدل‌سازی تهدیدات سایبری با MARL
• 67. تشخیص نفوذ با MARL
• 68. پاسخ به حوادث سایبری با MARL
• 69. بهینه‌سازی دفاع سایبری با MARL
• 70. یادگیری تقویتی برای رباتیک
• 71. کنترل ربات‌های چندگانه با MARL
• 72. هماهنگی ربات‌ها در وظایف پیچیده
• 73. یادگیری رفتار حرکتی ربات‌ها
• 74. یادگیری تقویتی برای سیستم‌های توزیع‌شده
• 75. بهینه‌سازی منابع در سیستم‌های توزیع‌شده
• 76. مدیریت ترافیک با MARL
• 77. کنترل ترافیک هوشمند
• 78. یادگیری تقویتی برای اقتصاد
• 79. مدل‌سازی بازار با MARL
• 80. معاملات الگوریتمی با MARL
• 81. یادگیری تقویتی برای بازی‌ها
• 82. استراتژی‌های بازی پیشرفته با MARL
• 83. توسعه هوش مصنوعی برای بازی‌های تخته‌ای
• 84. کاربردهای پژوهشی پیشرفته در MARL
• 85. یادگیری تقویتی برای کشف دارو
• 86. یادگیری تقویتی برای بهینه‌سازی زنجیره تأمین
• 87. یادگیری تقویتی برای سیستم‌های توصیه‌گر
• 88. یادگیری تقویتی برای مدیریت انرژی
• 89. ارزیابی و سنجش عملکرد در MARL
• 90. روش‌های ارزیابی عادلانه و معتبر
• 91. تجزیه و تحلیل حساسیت و استحکام
• 92. ملاحظات اخلاقی و اجتماعی در MARL
• 93. تعصب و انصاف در الگوریتم‌های MARL
• 94. شفافیت و تفسیرپذیری در MARL
• 95. آینده پژوهش در یادگیری تقویتی چندعامله
• 96. روندهای نوظهور و چالش‌های آینده
• 97. پژوهش‌های بین‌رشته‌ای در MARL