فلش‌کارت‌های آموزشی یادگیری تقویتی تک عامله: چارچوبی برای عامل‌های مستقل

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره یادگیری تقویتی تک عامله: چارچوبی برای عامل‌های مستقل

موضوع کلی: یادگیری تقویتی چندعامله (MARL)

موضوع میانی: یادگیری تقویتی تک عامله

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری تقویتی
• 2. مفاهیم اساسی عامل و محیط
• 3. فرایند تصمیم‌گیری مارکوف (MDP)
• 4. حالات، اعمال و پاداش‌ها
• 5. تابع ارزش حالت
• 6. تابع ارزش عمل-حالت
• 7. بهینگی در فرایندهای تصمیم‌گیری مارکوف
• 8. قضیه اساسی برنامه‌ریزی پویا
• 9. روش‌های مبتنی بر ارزش
• 10. یادگیری آفلاین و آنلاین
• 11. یادگیری مبتنی بر مدل
• 12. روش‌های بدون مدل
• 13. تفاوت بین یادگیری آفلاین و آنلاین
• 14. تکامل عامل در طول زمان
• 15. یادگیری از طریق آزمون و خطا
• 16. اکتشاف در مقابل بهره‌برداری
• 17. استراتژی‌های اکتشاف ساده
• 18. ε-حریصانه (epsilon-greedy)
• 19. حریصانه (greedy)
• 20. تصادفی (random)
• 21. کاهش ε-حریصانه
• 22. اکتشاف با آنتروپی
• 23. روش‌های اکتشاف مبتنی بر عدم قطعیت
• 24. اکتشاف مبتنی بر پاداش‌های اکتشافی
• 25. یادگیری Q (Q-Learning)
• 26. جدول Q
• 27. آپدیت Q-Learning
• 28. یادگیری SARSA
• 29. مقایسه Q-Learning و SARSA
• 30. مزایا و معایب روش‌های جدول‌بندی
• 31. یادگیری تقویتی با شبکه‌های عصبی
• 32. تابع تقریبی ارزش
• 33. شبکه‌های عصبی عمیق
• 34. یادگیری عمیق تقویتی (DRL)
• 35. Deep Q Networks (DQN)
• 36. معماری DQN
• 37. تابع هزینه در DQN
• 38. بازیابی تجربه (Experience Replay)
• 39. شبکه‌های هدف (Target Networks)
• 40. بهبودهای DQN
• 41. Double DQN
• 42. Dueling DQN
• 43. Prioritized Experience Replay
• 44. Rainbow DQN
• 45. روش‌های مبتنی بر سیاست (Policy-based Methods)
• 46. تابع سیاست
• 47. گرادیان سیاست (Policy Gradient)
• 48. روش REINFORCE
• 49. آموزش گرادیان سیاست
• 50. مزایای روش‌های مبتنی بر سیاست
• 51. روش‌های Actor-Critic
• 52. معماری Actor-Critic
• 53. آموزش Actor-Critic
• 54. Actor-Critic با خطای زمانی
• 55. A2C (Advantage Actor-Critic)
• 56. A3C (Asynchronous Advantage Actor-Critic)
• 57. روش‌های مبتنی بر مدل
• 58. یادگیری مدل محیط
• 59. استفاده از مدل برای برنامه‌ریزی
• 60. Model-Based Reinforcement Learning
• 61. Dyna-Q
• 62. Planing با استفاده از مدل آموخته شده
• 63. روش‌های پیشرفته‌تر
• 64. Trust Region Policy Optimization (TRPO)
• 65. Proximal Policy Optimization (PPO)
• 66. مقایسه PPO و TRPO
• 67. Soft Actor-Critic (SAC)
• 68. مفهوم آنتروپی در SAC
• 69. استفاده از SAC
• 70. Multi-Agent Reinforcement Learning (MARL)
• 71. چالش‌های MARL
• 72. هماهنگی در عامل‌های چندگانه
• 73. امنیت در عامل‌های چندگانه
• 74. کاربردها در سیستم‌های اقتصادی
• 75. مدیریت سبد سهام با یادگیری تقویتی
• 76. بهینه‌سازی تخصیص منابع
• 77. کاربرد در سیستم‌های بانکی
• 78. مدیریت ریسک اعتباری
• 79. بهینه‌سازی استراتژی‌های سرمایه‌گذاری
• 80. کاربرد در سیستم‌های بیمه
• 81. مدل‌سازی رفتار مشتریان
• 82. بهینه‌سازی قیمت‌گذاری بیمه
• 83. کاربرد در سیستم‌های گمرکی
• 84. بهینه‌سازی فرآیندهای ترخیص کالا
• 85. مدیریت بهینه زنجیره تأمین
• 86. کاربرد در سیستم‌های پولی و ارزی
• 87. بهینه‌سازی سیاست‌های ارزی
• 88. مدیریت نوسانات نرخ ارز
• 89. ملاحظات شرعی و قانونی در کاربردهای مالی
• 90. اصول بانکداری بدون ربا در کاربردهای مالی
• 91. چارچوب‌های فقهی در قراردادهای مالی
• 92. قوانین و مقررات بانک مرکزی در حوزه رمزارزها
• 93. نظارت بر تراکنش‌های مالی
• 94. مدیریت تبادلات ارزی
• 95. تطابق با مقررات مبارزه با پولشویی
• 96. اصول اخلاقی در استفاده از هوش مصنوعی
• 97. مسئولیت‌پذیری در سیستم‌های خودکار
• 98. حفظ حریم خصوصی داده‌ها
• 99. شفافیت در الگوریتم‌های تصمیم‌گیری
• 100. توسعه پایدار با رویکردهای هوشمند