کتاب صوتی مدل‌سازی تصمیم‌گیری در ارتباطات علمی با چارچوب یادگیری تقویتی چندعامله

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مدل‌سازی تصمیم‌گیری در ارتباطات علمی با چارچوب یادگیری تقویتی چندعامله

موضوع کلی: یادگیری تقویتی چندعامله (MARL)

موضوع میانی: یادگیری تقویتی چندعامله برای استراتژی‌های مدیریت ارتباطات علمی و پژوهشی با عموم متخصص

📋 سرفصل‌های دوره

• 1. مقدمه ای بر یادگیری تقویتی چندعامله
• 2. اصول پایه یادگیری تقویتی
• 3. مفهوم عامل و محیط در یادگیری تقویتی
• 4. تابع پاداش و تابع ارزش
• 5. الگوریتم‌های یادگیری تقویتی تک عامله
• 6. یادگیری Q
• 7. یادگیری Deep Q-Network (DQN)
• 8. یادگیری Policy Gradient
• 9. مدل‌های Actor-Critic
• 10. معرفی یادگیری تقویتی چندعامله (MARL)
• 11. تفاوت‌های MARL با یادگیری تقویتی تک عامله
• 12. چالش‌های کلیدی در MARL
• 13. عدم ایستایی محیط از دیدگاه هر عامل
• 14. عدم قطعیت ناشی از رفتار سایر عوامل
• 15. پیچیدگی فضای حالت-عمل مشترک
• 16. انواع چارچوب‌های MARL
• 17. چارچوب‌های مبتنی بر بازی (Game Theory)
• 18. مدل‌های هماهنگ (Cooperative)
• 19. مدل‌های رقیب (Competitive)
• 20. مدل‌های مختلط (Mixed)
• 21. مدل‌های مبتنی بر عامل مرکزی (Centralized)
• 22. مدل‌های مبتنی بر عامل توزیع شده (Decentralized)
• 23. مدل‌های مبتنی بر عامل نیمه مرکزی (Decentralized Training with Centralized Execution - CTDE)
• 24. معرفی مفاهیم نظریه بازی‌های غیرهمکارانه
• 25. توازن نش (Nash Equilibrium)
• 26. توازن استراتژی‌های مختلط
• 27. کاربرد نظریه بازی در MARL
• 28. مدل‌سازی تعاملات عاملان با استفاده از بازی‌های گسسته
• 29. مدل‌سازی تعاملات عاملان با استفاده از بازی‌های پیوسته
• 30. توازن نش در بازی‌های پیوسته
• 31. کاربرد توازن نش در طراحی سیاست‌های عاملان
• 32. الگوریتم‌های یادگیری برای دستیابی به توازن نش
• 33. یادگیری مبتنی بر توازن نش
• 34. یادگیری تطبیقی عاملان
• 35. مدل‌سازی هماهنگ در MARL
• 36. هدف مشترک عاملان
• 37. توابع ارزش مشترک
• 38. الگوریتم‌های یادگیری هماهنگ
• 39. یادگیری مبتنی بر مدل مشترک
• 40. یادگیری مبتنی بر ترویج همکاری
• 41. مدل‌سازی رقیب در MARL
• 42. هدف متقابل عاملان
• 43. استراتژی‌های بهینه در محیط‌های رقابتی
• 44. الگوریتم‌های یادگیری رقابتی
• 45. یادگیری مبتنی بر صفر-مجموع
• 46. یادگیری مبتنی بر بازی با مجموع غیر صفر
• 47. مدل‌سازی مختلط در MARL
• 48. ترکیبی از اهداف هماهنگ و رقیب
• 49. مدل‌سازی تعاملات پیچیده
• 50. الگوریتم‌های یادگیری برای سناریوهای مختلط
• 51. تکنیک‌های CTDE
• 52. آموزش با دید مرکزی
• 53. اجرا با دید توزیع شده
• 54. مزایای چارچوب CTDE
• 55. معایب چارچوب CTDE
• 56. الگوریتم‌های یادگیری مبتنی بر CTDE
• 57. MADDPG (Multi-Agent Deep Deterministic Policy Gradient)
• 58. QMIX (Q-learning for Multi-Agent Systems)
• 59. VDN (Value Decomposition Networks)
• 60. کاربرد MARL در سیستم‌های توصیه‌گر
• 61. شخصی‌سازی توصیه‌ها در محیط‌های چندعامله
• 62. بهینه‌سازی توصیه‌ها با در نظر گرفتن تعامل کاربران
• 63. مدل‌سازی رفتار کاربران به عنوان عاملان
• 64. کاربرد MARL در رباتیک و سیستم‌های خودمختار
• 65. کنترل گروهی ربات‌ها
• 66. هماهنگی ربات‌ها در وظایف مشترک
• 67. مسیریابی بهینه ربات‌ها
• 68. کاربرد MARL در شبکه‌های هوشمند (Smart Grids)
• 69. مدیریت مصرف انرژی
• 70. بهینه‌سازی تولید و توزیع انرژی
• 71. تعامل مصرف‌کنندگان و تولیدکنندگان به عنوان عاملان
• 72. کاربرد MARL در سیستم‌های حمل و نقل هوشمند
• 73. مدیریت ترافیک
• 74. بهینه‌سازی مسیر وسایل نقلیه
• 75. هماهنگی وسایل نقلیه خودران
• 76. کاربرد MARL در بازی‌های کامپیوتری
• 77. ایجاد هوش مصنوعی پیشرفته در بازی‌ها
• 78. شبیه‌سازی رفتار بازیکنان
• 79. کاربرد MARL در تحلیل بازارهای مالی
• 80. مدل‌سازی رفتار معامله‌گران
• 81. پیش‌بینی روند بازار
• 82. بهینه‌سازی استراتژی‌های معاملاتی
• 83. ارزیابی عملکرد الگوریتم‌های MARL
• 84. معیارهای ارزیابی در سناریوهای هماهنگ
• 85. معیارهای ارزیابی در سناریوهای رقیب
• 86. معیارهای ارزیابی در سناریوهای مختلط
• 87. تحلیل حساسیت الگوریتم‌ها نسبت به پارامترها
• 88. مقایسه الگوریتم‌های مختلف MARL
• 89. چالش‌های پیاده‌سازی MARL در دنیای واقعی
• 90. مقیاس‌پذیری الگوریتم‌ها
• 91. ناپایداری در یادگیری
• 92. تفسیرپذیری سیاست‌های عاملان
• 93. روش‌های بهبود یادگیری در MARL
• 94. تکنیک‌های اکتشاف در محیط‌های چندعامله
• 95. روش‌های مدیریت عدم قطعیت
• 96. یادگیری انتقال (Transfer Learning) در MARL
• 97. یادگیری تقویتی مبتنی بر مدل (Model-Based MARL)
• 98. روش‌های کاهش پیچیدگی محاسباتی
• 99. مباحث پیشرفته در MARL
• 100. یادگیری تقویتی توزیع شده با عاملان یادگیرنده