فلش‌کارت‌های آموزشی کاربرد نظریه بازی در یادگیری تقویتی چندعامله برای ربات‌های گروهی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره کاربرد نظریه بازی در یادگیری تقویتی چندعامله برای ربات‌های گروهی

موضوع کلی: یادگیری تقویتی چندعامله (MARL)

موضوع میانی: یادگیری تقویتی چندعامله برای طراحی ربات‌های گروهی

📋 سرفصل‌های دوره

• 1. مبانی یادگیری تقویتی چندعامله
• 2. مقدمه‌ای بر نظریه بازی
• 3. مفهوم عامل در سیستم‌های هوشمند
• 4. تعریف مسئله یادگیری تقویتی
• 5. مدل مارکوف تصمیم‌گیری (MDP)
• 6. عناصر MDP: حالت، عمل، پاداش، انتقال
• 7. یادگیری تقویتی بدون مدل و با مدل
• 8. الگوریتم‌های یادگیری تقویتی مبتنی بر ارزش
• 9. یادگیری Q-Learning
• 10. یادگیری SARSA
• 11. الگوریتم‌های یادگیری تقویتی مبتنی بر سیاست
• 12. گرادیان سیاست
• 13. پیاده‌سازی الگوریتم‌های پایه در پایتون
• 14. مقدمه‌ای بر رباتیک گروهی
• 15. مفاهیم ارتباطی در ربات‌های گروهی
• 16. همکاری و هماهنگی در ربات‌ها
• 17. چالش‌های رباتیک گروهی
• 18. معرفی یادگیری تقویتی چندعامله (MARL)
• 19. تفاوت MARL با یادگیری تقویتی تک‌عامله
• 20. مدل‌های ارتباطی در MARL
• 21. مدل‌های پنهان در MARL
• 22. مدل‌های مشاهده‌پذیر در MARL
• 23. تعریف بازی در چارچوب MARL
• 24. بازی‌های هم‌زمان و ناهم‌زمان
• 25. بازی‌های با مجموع صفر و مجموع غیرصفر
• 26. تعادل نش در نظریه بازی
• 27. محاسبه تعادل نش برای بازی‌های ساده
• 28. تقسیم‌بندی وظایف در ربات‌های گروهی
• 29. یادگیری هماهنگی برای وظایف مشترک
• 30. یادگیری همکاری برای دستیابی به اهداف مشترک
• 31. مدل‌های پاداش در MARL برای ربات‌های گروهی
• 32. طراحی پاداش برای همکاری
• 33. طراحی پاداش برای رقابت
• 34. الگوریتم‌های MARL برای همکاری
• 35. تجمیع سیاست‌ها در MARL
• 36. مدل‌های مبتنی بر عامل در MARL
• 37. یادگیری سیاست‌های توزیع‌شده
• 38. یادگیری سیاست‌های متمرکز
• 39. الگوریتم‌های MARL برای رقابت
• 40. بازی‌های رقابتی بین ربات‌ها
• 41. مدل‌های مبتنی بر حریف در MARL
• 42. یادگیری استراتژی‌های مقابله‌ای
• 43. الگوریتم‌های MARL برای همکاری-رقابت
• 44. محیط‌های ترکیبی در MARL
• 45. مدل‌های شبیه‌سازی برای رباتیک گروهی
• 46. ابزارهای شبیه‌سازی مانند ROS و Gazebo
• 47. پیاده‌سازی شبکه‌های عصبی در MARL
• 48. شبکه‌های عصبی کانولوشنی (CNN) در MARL
• 49. شبکه‌های عصبی بازگشتی (RNN) در MARL
• 50. شبکه‌های عصبی ترانسفورمر در MARL
• 51. تکنیک‌های اکتشاف در MARL
• 52. اکتشاف مبتنی بر آنتروپی
• 53. اکتشاف مبتنی بر پاداش تصادفی
• 54. روش‌های افزایش پاداش در MARL
• 55. تکنیک‌های کاهش ابعاد در MARL
• 56. کاهش ابعاد فضا حالت
• 57. کاهش ابعاد فضا عمل
• 58. یادگیری تقویتی با پاداش پراکنده
• 59. راهبردهای مقابله با پاداش پراکنده
• 60. تکنیک‌های انتقال دانش در MARL
• 61. یادگیری از تجربه‌های گذشته
• 62. انتقال دانش بین وظایف
• 63. انتقال دانش بین ربات‌ها
• 64. کاربرد MARL در ناوبری ربات‌های گروهی
• 65. مسیردهی بهینه در ربات‌های گروهی
• 66. اجتناب از برخورد ربات‌ها
• 67. کاربرد MARL در جستجو و نجات توسط ربات‌ها
• 68. پوشش محیط با ربات‌های گروهی
• 69. کاربرد MARL در لجستیک و انبارداری
• 70. مدیریت صف‌ها در ربات‌های انبار
• 71. کاربرد MARL در ربات‌های صنعتی
• 72. هماهنگی ربات‌ها در خط تولید
• 73. کاربرد MARL در سیستم‌های خودمختار
• 74. خودروهای خودران گروهی
• 75. پهپادهای گروهی برای نظارت
• 76. ملاحظات اخلاقی در رباتیک گروهی
• 77. امنیت در سیستم‌های رباتیک گروهی
• 78. قابلیت اطمینان در ربات‌های گروهی
• 79. کاربرد MARL در پردازش زبان طبیعی برای ربات‌ها
• 80. ارتباط ربات‌ها با انسان
• 81. ارتباط ربات‌ها با یکدیگر با زبان طبیعی
• 82. یادگیری تقویتی برای ربات‌های انسان‌نما
• 83. کاربرد MARL در بازی‌های رباتیک
• 84. ربات‌های فوتبالیست
• 85. ربات‌های مبارز
• 86. معیارهای ارزیابی عملکرد در MARL
• 87. مقایسه الگوریتم‌های مختلف MARL
• 88. تحلیل حساسیت پارامترها در MARL
• 89. چالش‌های پیاده‌سازی MARL در ربات‌های واقعی
• 90. گذار از شبیه‌سازی به دنیای واقعی
• 91. کالیبراسیون ربات‌ها در محیط واقعی
• 92. کاربرد MARL در هوش مصنوعی توزیع‌شده
• 93. شبکه‌های یادگیری توزیع‌شده
• 94. یادگیری فدرال برای ربات‌های گروهی
• 95. مباحث پیشرفته در MARL
• 96. یادگیری عمیق در MARL
• 97. یادگیری تقویتی عمیق چندعامله (MADRL)
• 98. معماری‌های MADRL
• 99. کاربرد MADRL در رباتیک پیشرفته
• 100. کاربرد MADRL در بهینه‌سازی سیستم‌ها