دوره آموزش جامع یادگیری تقویتی (Reinforcement Learning) با پایتون؛ از مبانی تا پیاده‌سازی کاربردی همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره آموزش جامع یادگیری تقویتی (Reinforcement Learning) با پایتون؛ از مبانی تا پیاده‌سازی کاربردی

موضوع کلی: علوم رایانه و هوش مصنوعی

موضوع میانی: یادگیری ماشین و سامانه‌های هوشمند

📋 سرفصل‌های دوره

• 1. مبانی یادگیری ماشین و جایگاه یادگیری تقویتی در هوش مصنوعی
• 2. تعریف مسئله در یادگیری تقویتی و اجزای اصلی آن
• 3. مفهوم عامل و محیط در سامانه‌های هوشمند
• 4. فضای حالت و فضای عمل در محیط‌های تصمیم‌گیری
• 5. تابع پاداش و نقش آن در هدایت عامل
• 6. مفهوم سیاست و ارزش در یادگیری تقویتی
• 7. فرآیندهای تصمیم‌گیری مارکوف
• 8. معادله بلمن و ویژگی‌های آن
• 9. تفاوت یادگیری نظارت‌شده و یادگیری تقویتی
• 10. مسئله چند-چنگک (Multi-Armed Bandit)
• 11. استراتژی‌های اکتشاف در برابر بهره‌برداری
• 12. الگوریتم‌های مبتنی بر ارزش در یادگیری تقویتی
• 13. روش‌های برنامه‌ریزی پویا
• 14. الگوریتم تکرار سیاست
• 15. الگوریتم تکرار ارزش
• 16. تفاوت روش‌های مبتنی بر مدل و بدون مدل
• 17. روش‌های مونت‌کارلو برای تخمین ارزش
• 18. روش‌های تفاوت زمانی (Temporal Difference)
• 19. الگوریتم SARSA برای یادگیری سیاست
• 20. الگوریتم Q-Learning و بهینه‌سازی آن
• 21. تفاوت میان سیاست‌های در-خط و برون-خط
• 22. معرفی کتابخانه‌های پایتون برای شبیه‌سازی محیط‌های هوشمند
• 23. نصب و راه‌اندازی محیط‌های استاندارد یادگیری تقویتی
• 24. پیاده‌سازی یک عامل ساده برای حل مسائل محیطی
• 25. تقریب تابع ارزش با استفاده از توابع خطی
• 26. مقدمه‌ای بر شبکه‌های عصبی عمیق در یادگیری تقویتی
• 27. الگوریتم Deep Q-Network (DQN)
• 28. چالش‌های پایداری در یادگیری عمیق تقویتی
• 29. استفاده از حافظه تجربه (Experience Replay)
• 30. شبکه‌های هدف در DQN
• 31. الگوریتم Double DQN برای کاهش بیش‌برازش
• 32. پیاده‌سازی DQN با کتابخانه پای‌تورچ
• 33. مقدمه‌ای بر روش‌های گرادیان سیاست
• 34. الگوریتم REINFORCE
• 35. روش‌های بازیگر-منتقد (Actor-Critic)
• 36. الگوریتم Advantage Actor-Critic (A2C)
• 37. الگوریتم Asynchronous Advantage Actor-Critic (A3C)
• 38. مفاهیم اولیه در یادگیری تقویتی عمیق تعیین‌گرایانه
• 39. الگوریتم DDPG برای فضاهای عمل پیوسته
• 40. الگوریتم PPO و اهمیت آن در پایداری آموزش
• 41. بررسی توابع پاداش در کاربردهای مهندسی
• 42. بهینه‌سازی پارامترها و تنظیمات مدل
• 43. ارزیابی عملکرد عامل‌های هوشمند
• 44. کاربردهای یادگیری تقویتی در کنترل سامانه‌های صنعتی
• 45. کاربردهای یادگیری تقویتی در بهینه‌سازی شبکه‌های رایانه‌ای
• 46. اخلاق در هوش مصنوعی و مسئولیت‌پذیری در طراحی سامانه‌ها
• 47. رعایت حریم خصوصی و امنیت داده‌ها در آموزش مدل‌ها
• 48. چالش‌های پیاده‌سازی سامانه‌های هوشمند در مقیاس بزرگ
• 49. پروژه نهایی: طراحی و پیاده‌سازی یک عامل هوشمند برای حل یک مسئله محیطی