کتاب صوتی کاوش جمعی با بازدهی همبسته: یک مدل راهزن نمایی برای تصمیم‌گیری گروهی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره کاوش جمعی با بازدهی همبسته: یک مدل راهزن نمایی برای تصمیم‌گیری گروهی

موضوع کلی: نظریه بازی و یادگیری

موضوع میانی: مدل‌های جمعی یادگیری و تصمیم‌گیری

📋 سرفصل‌های دوره

• 1. مقدمه ای بر یادگیری جمعی
• 2. مفاهیم اساسی نظریه بازی
• 3. مبانی تصمیم گیری در نظریه بازی
• 4. مفهوم عامل و محیط
• 5. تابع پاداش در نظریه بازی
• 6. تعریف راهبرد
• 7. راهبردهای خالص و مختلط
• 8. تعادل نش
• 9. مقدمه ای بر مدل های راهزن نمایی (Multi-Armed Bandit)
• 10. راهزن نمایی یک دست (Single-Arm Bandit)
• 11. مشکل اکتشاف در برابر بهره برداری (Exploration vs. Exploitation)
• 12. الگوریتم های راهزن نمایی: epsilon-greedy
• 13. الگوریتم های راهزن نمایی: UCB (Upper Confidence Bound)
• 14. الگوریتم های راهزن نمایی: Thompson Sampling
• 15. راهبرد در مجموعه ای از راهزن ها
• 16. همبستگی در بازدهی راهزن ها: مقدمه
• 17. ماهیت بازدهی همبسته
• 18. تفاوت با بازدهی مستقل
• 19. چالش های بازدهی همبسته
• 20. مدل های ساده بازدهی همبسته
• 21. بازدهی همبسته متقارن
• 22. بازدهی همبسته نامتقارن
• 23. مدل جمعی تصمیم گیری: عوامل متعدد
• 24. تعامل بین عوامل
• 25. فرایندهای تصمیم گیری مارکوف (MDP)
• 26. MDP های چندعاملی
• 27. بازی های تکراری
• 28. بازی های پویا
• 29. مفهوم "آزمایش" در این زمینه
• 30. اهمیت آزمایش در یادگیری جمعی
• 31. چرخه آزمایش و نتیجه گیری
• 32. انواع آزمایش در زمینه مقاله
• 33. آزمایش های همزمان
• 34. آزمایش های ترتیبی
• 35. آزمایش های مستقل
• 36. آزمایش های وابسته
• 37. مدل عامل با اطلاعات ناقص
• 38. مدل عامل با باورهای پویا
• 39. استنتاج در مورد بازدهی پنهان
• 40. کاربرد بازدهی همبسته در سناریوهای واقعی
• 41. تجارت سهام با بازدهی همبسته
• 42. توسعه محصول با بازخورد همبسته
• 43. کاوش علمی با نتایج وابسته
• 44. سیستم های توصیه با سلیقه های همبسته
• 45. مدل های تصمیم گیری گروهی
• 46. رای گیری و اجماع
• 47. روش های تصمیم گیری جمعی
• 48. قضیه رای دهنده میانه (Median Voter Theorem)
• 49. نظریه های انتخاب اجتماعی
• 50. روش های یادگیری گروهی
• 51. یادگیری جمعی از بازخورد
• 52. یادگیری جمعی از آزمایش
• 53. همبستگی بازدهی در چارچوب آزمایش جمعی
• 54. اهمیت همبستگی برای استراتژی های آزمایش
• 55. چگونه همبستگی بر تصمیم گیری تاثیر می گذارد؟
• 56. تاثیر همبستگی بر بهره وری اکتشاف
• 57. تاثیر همبستگی بر سرعت همگرایی
• 58. تاثیر همبستگی بر ریسک
• 59. استراتژی های آزمایش برای بازدهی همبسته
• 60. الگوریتم های استخراج برای بازدهی همبسته
• 61. الگوریتم های استخراج با در نظر گرفتن همبستگی
• 62. مدل راهزن نمایی با بازدهی همبسته
• 63. تحلیل استراتژی های موجود در مقاله
• 64. استراتژی های مبتنی بر سابقه (History-based)
• 65. استراتژی های مبتنی بر پیش بینی (Prediction-based)
• 66. استراتژی های مبتنی بر تخمین همبستگی
• 67. پیاده سازی عملی استراتژی های آزمایش جمعی
• 68. ارزیابی عملکرد استراتژی ها
• 69. معیارهای ارزیابی: پاداش تجمعی
• 70. معیارهای ارزیابی: سرعت کشف
• 71. معیارهای ارزیابی: هزینه آزمایش
• 72. مطالعات موردی و شبیه سازی
• 73. پیاده سازی شبیه سازی برای مدل مقاله
• 74. تحلیل نتایج شبیه سازی
• 75. مقایسه استراتژی ها در سناریوهای مختلف
• 76. موضوعات پیشرفته در آزمایش جمعی
• 77. اثرات شبکه ای در تصمیم گیری جمعی
• 78. یادگیری از طریق ارتباطات
• 79. یادگیری ناهمگن در گروه ها
• 80. بازی های اقتضایی (Stochastic Games)
• 81. مدل های یادگیری تقویتی در محیط های پویا
• 82. مدل های یادگیری ماشینی برای بازدهی همبسته
• 83. شبکه های عصبی و بازدهی همبسته
• 84. یادگیری عمیق برای تصمیم گیری جمعی
• 85. موضوعات اخلاقی در یادگیری جمعی
• 86. سوگیری ها و تبعیض در تصمیم گیری گروهی
• 87. شفافیت و توضیح پذیری در مدل ها
• 88. پیامدهای اجتماعی آزمایش های جمعی
• 89. تحقیقات آینده و چالش های باز
• 90. مدل های پیشرفته تر همبستگی
• 91. روش های تخمین و شناسایی همبستگی
• 92. تاثیر عوامل خارجی بر بازدهی
• 93. یادگیری در حضور عدم اطمینان و نویز
• 94. تطبیق پذیری استراتژی ها در طول زمان
• 95. مدل های محاسباتی پیچیده تر
• 96. پیاده سازی مقیاس پذیر الگوریتم ها
• 97. کاربرد در هوش مصنوعی توزیع شده
• 98. نتیجه گیری و جمع بندی دوره
• 99. مروری بر مفاهیم کلیدی
• 100. چشم اندازهای آینده در یادگیری جمعی