فلش‌کارت‌های آموزشی یادگیری تقویتی چندعامله: از تئوری تا پیاده‌سازی در ربات‌های صنعتی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره یادگیری تقویتی چندعامله: از تئوری تا پیاده‌سازی در ربات‌های صنعتی

موضوع کلی: یادگیری تقویتی چندعامله (MARL)

موضوع میانی: یادگیری تقویتی چندعامله برای کنترل ربات‌های صنعتی هوشمند

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری تقویتی چندعامله
• 2. مفاهیم پایه‌ای یادگیری تقویتی
• 3. عامل و محیط در یادگیری تقویتی
• 4. تابع پاداش و حالت‌ها
• 5. فرآیندهای تصمیم‌گیری مارکوف
• 6. معادلات بلمن
• 7. روش‌های ارزش‌گذاری در یادگیری تقویتی
• 8. روش‌های سیاست‌گذاری
• 9. یادگیری تقویتی بدون مدل
• 10. یادگیری تقویتی با مدل
• 11. الگوریتم‌های Q-Learning
• 12. الگوریتم‌های SARSA
• 13. یادگیری تقویتی عمیق
• 14. شبکه‌های عصبی عمیق
• 15. شبکه‌های عصبی کانولوشنال
• 16. شبکه‌های عصبی بازگشتی
• 17. ترکیب یادگیری تقویتی و شبکه‌های عصبی عمیق
• 18. Deep Q-Networks (DQN)
• 19. Double DQN
• 20. Dueling DQN
• 21. Prioritized Experience Replay
• 22. Distributional DQN
• 23. Rainbow DQN
• 24. Actor-Critic Methods
• 25. Advantage Actor-Critic (A2C)
• 26. Asynchronous Advantage Actor-Critic (A3C)
• 27. Proximal Policy Optimization (PPO)
• 28. Trust Region Policy Optimization (TRPO)
• 29. Deep Deterministic Policy Gradient (DDPG)
• 30. Twin Delayed Deep Deterministic Policy Gradient (TD3)
• 31. Soft Actor-Critic (SAC)
• 32. يادگيري تقويتي چندعامله (MARL): مبانی
• 33. تفاوت MARL با RL تک‌عامله
• 34. مدل‌های تعامل در MARL
• 35. بازی‌های جمعی و تعادلی
• 36. بازی‌های صفرویک
• 37. بازی‌های غیرصفرویک
• 38. تعادل نش
• 39. تعادل هولدا
• 40. مدل‌های مشترک عامل‌ها
• 41. مدل‌های عامل‌محور
• 42. مدل‌های متمرکز
• 43. یادگیری تقویتی چندعامله با عامل‌های مستقل
• 44. چالش‌های عامل‌های مستقل
• 45. تغییر توزیع داده‌ها در MARL
• 46. روش‌های یادگیری تیمی
• 47. مدل‌های ارتباطی بین عامل‌ها
• 48. شبکه‌های ارتباطی
• 49. یادگیری با مربی (Learning with a Teacher)
• 50. یادگیری با پاداش‌دهی (Reward Shaping)
• 51. یادگیری تقویتی چندعامله در رباتیک
• 52. کاربرد MARL در رباتیک صنعتی
• 53. کنترل گروهی ربات‌ها
• 54. هماهنگی ربات‌ها برای انجام وظایف
• 55. مسیریابی ربات‌ها در محیط‌های مشترک
• 56. مدیریت تداخل ربات‌ها
• 57. ربات‌های انبارداری خودکار
• 58. ربات‌های خط تولید
• 59. ربات‌های بازرسی
• 60. بهینه‌سازی عملکرد ربات‌ها
• 61. شبیه‌سازی محیط‌های رباتیک صنعتی
• 62. ابزارهای شبیه‌سازی رباتیک
• 63. Gazebo
• 64. PyBullet
• 65. RoboDK
• 66. OpenAI Gym
• 67. PettingZoo
• 68. توسعه عامل‌های MARL برای رباتیک
• 69. پیاده‌سازی الگوریتم‌های MARL
• 70. تنظیم پارامترهای الگوریتم‌ها
• 71. ارزیابی عملکرد عامل‌ها
• 72. معیارهای ارزیابی در MARL
• 73. مقایسه الگوریتم‌ها
• 74. کاربرد MARL در ناوبری گروهی ربات‌ها
• 75. تشکیل صفوف ربات‌ها
• 76. جلوگیری از برخورد ربات‌ها
• 77. تقسیم وظایف بین ربات‌ها
• 78. ربات‌های خودمختار در محیط‌های پویا
• 79. یادگیری تقویتی در ربات‌های انسان‌نما
• 80. کنترل حرکت ربات‌های انسان‌نما
• 81. تعامل ربات‌های انسان‌نما با محیط
• 82. کاربرد MARL در همکاری ربات‌ها و انسان‌ها
• 83. طراحی رابط‌های کاربری برای ربات‌های همکاری‌کننده
• 84. آموزش ربات‌ها از طریق مشاهده
• 85. یادگیری تقویتی با استفاده از داده‌های واقعی
• 86. انتقال یادگیری از شبیه‌سازی به دنیای واقعی
• 87. چالش‌های انتقال یادگیری (Sim-to-Real Transfer)
• 88. روش‌های بهبود انتقال یادگیری
• 89. کاربرد MARL در بهبود بهره‌وری تولید
• 90. بهینه‌سازی جریان کار در خطوط تولید
• 91. کاهش زمان توقف ربات‌ها
• 92. افزایش دقت و کیفیت تولید
• 93. امنیت در رباتیک صنعتی با MARL
• 94. پیش‌بینی و جلوگیری از خطاهای رباتیک
• 95. تشخیص ناهنجاری در عملکرد ربات‌ها
• 96. حفاظت از ربات‌ها در برابر حملات سایبری
• 97. اخلاق در رباتیک صنعتی
• 98. مسئولیت‌پذیری در قبال اقدامات ربات‌ها
• 99. تأثیر رباتیک بر نیروی کار
• 100. آینده یادگیری تقویتی چندعامله در رباتیک صنعتی