کتاب صوتی کنترل دقیق با استفاده از یادگیری تقویتی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره کنترل دقیق با استفاده از یادگیری تقویتی

موضوع کلی: توسعه پیشرفته عامل‌های هوشمند و سیستم‌های خودکار

موضوع میانی: عملیات از راه دور و کنترل دقیق

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری تقویتی
• 2. مفاهیم پایه کنترل دقیق و اتوماسیون
• 3. مروری بر الگوریتم‌های کنترل کلاسیک
• 4. معرفی محیط‌های شبیه‌سازی در یادگیری تقویتی
• 5. عناصر اصلی یک مسئله یادگیری تقویتی
• 6. تابع پاداش و طراحی آن
• 7. فضای حالت و فضای عمل
• 8. سیاست‌ها در یادگیری تقویتی
• 9. ارزش‌گذاری تابع حالت
• 10. ارزش‌گذاری تابع عمل
• 11. روش‌های مبتنی بر ارزش: Q-Learning
• 12. روش‌های مبتنی بر ارزش: SARSA
• 13. تفاوت‌های Q-Learning و SARSA
• 14. روش‌های مبتنی بر سیاست: Policy Gradients
• 15. بهینه‌سازی سیاست با استفاده از گرادیان
• 16. الگوریتم‌های اکتشافی در یادگیری تقویتی
• 17. ε-greedy و نرم‌سازی بولتزمن
• 18. تابع تقریب و شبکه‌های عصبی
• 19. Q-Network و معماری آن
• 20. Deep Q-Network (DQN)
• 21. بهبود DQN: Replay Buffer
• 22. بهبود DQN: Target Network
• 23. یادگیری تقویتی در محیط‌های پیوسته
• 24. مدل‌سازی توابع ارزش در فضاهای پیوسته
• 25. کنترل دقیق با استفاده از Actor-Critic
• 26. روش‌های پیشرفته Actor-Critic
• 27. یادگیری تقویتی سلسله مراتبی
• 28. یادگیری تقویتی چندعاملی
• 29. تطبیق یادگیری تقویتی با سیستم‌های فیزیکی
• 30. چالش‌های انتقال از شبیه‌سازی به واقعیت
• 31. یادگیری تقویتی آفلاین
• 32. یادگیری تقویتی ایمن
• 33. یادگیری تقویتی با پاداش پراکنده
• 34. یادگیری تقویتی با پاداش متراکم
• 35. استفاده از مدل‌های دینامیکی در یادگیری تقویتی
• 36. کنترل تطبیقی با یادگیری تقویتی
• 37. یادگیری تقویتی و روباتیک
• 38. یادگیری تقویتی و کنترل وسایل نقلیه خودران
• 39. یادگیری تقویتی در مدیریت انرژی
• 40. یادگیری تقویتی در بهینه‌سازی فرآیندها
• 41. ارزیابی عملکرد الگوریتم‌های یادگیری تقویتی
• 42. مقایسه روش‌های مختلف یادگیری تقویتی
• 43. انتخاب الگوریتم مناسب برای مسئله کنترل
• 44. پیاده‌سازی عملی یادگیری تقویتی در MATLAB
• 45. پیاده‌سازی عملی یادگیری تقویتی در Python