دوره پیاده‌سازی MARL برای مسائل با اهداف در حال تغییر همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره پیاده‌سازی MARL برای مسائل با اهداف در حال تغییر

موضوع کلی: یادگیری تقویتی چندعامله (MARL)

موضوع میانی: نکات و ترفندهای پیاده‌سازی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری تقویتی چندعامله
• 2. مفاهیم اساسی یادگیری تقویتی
• 3. محیط‌های چندعامله و چالش‌های آن‌ها
• 4. معرفی الگوریتم‌های پایه MARL
• 5. الگوریتم Q-Learning در محیط‌های چندعامله
• 6. الگوریتم SARSA در محیط‌های چندعامله
• 7. یادگیری سیاستی در MARL
• 8. روش‌های مبتنی بر گرادیان در MARL
• 9. تابع ارزش مرکزی (Centralized Value Function)
• 10. انتقادگر-بازیگر (Actor-Critic) در MARL
• 11. هماهنگی در MARL
• 12. ارتباطات بین عامل‌ها
• 13. یادگیری مشارکتی (Cooperative Learning) در MARL
• 14. یادگیری رقابتی (Competitive Learning) در MARL
• 15. یادگیری ترکیبی (Mixed Learning) در MARL
• 16. مسائل با اهداف در حال تغییر
• 17. تعریف و شناسایی مسائل با اهداف در حال تغییر
• 18. تطبیق‌پذیری در MARL
• 19. یادگیری انتقال (Transfer Learning) در MARL
• 20. یادگیری چندوظیفه‌ای (Multi-Task Learning) در MARL
• 21. یادگیری متمرکز در مقابل یادگیری توزیع‌شده
• 22. معماری‌های شبکه عصبی برای MARL
• 23. شبکه‌های عصبی بازگشتی (RNN) در MARL
• 24. شبکه‌های عصبی پیچشی (CNN) در MARL
• 25. شبکه‌های ترانسفورمر در MARL
• 26. استفاده از حافظه در MARL
• 27. حافظه کوتاه مدت و بلند مدت
• 28. یادگیری با پاداش‌های پراکنده
• 29. کاوش و بهره‌برداری در مسائل با اهداف در حال تغییر
• 30. روش‌های نمونه‌برداری اهمیت (Importance Sampling)
• 31. روش‌های مبتنی بر مدل در MARL
• 32. پیش‌بینی محیط در MARL
• 33. یادگیری تقویتی معکوس (Inverse Reinforcement Learning)
• 34. یادگیری تقویتی ایمن (Safe Reinforcement Learning)
• 35. یادگیری تقویتی با محدودیت‌ها
• 36. ارزیابی عملکرد الگوریتم‌های MARL
• 37. معیارهای ارزیابی در محیط‌های چندعامله
• 38. تحلیل حساسیت الگوریتم‌ها
• 39. بهینه‌سازی هایپرپارامترها
• 40. پیاده‌سازی MARL در محیط‌های شبیه‌سازی
• 41. استفاده از کتابخانه‌های MARL
• 42. Gymnasium به عنوان محیط شبیه‌سازی
• 43. PettingZoo به عنوان محیط شبیه‌سازی
• 44. Ray RLlib به عنوان چارچوب MARL
• 45. TensorFlow Agents به عنوان چارچوب MARL
• 46. PyTorch به عنوان چارچوب MARL
• 47. مطالعه موردی: رباتیک چندعامله
• 48. مطالعه موردی: مدیریت ترافیک
• 49. مطالعه موردی: بازی‌های استراتژیک
• 50. مسائل اخلاقی در MARL
• 51. شفافیت و قابلیت توضیح در MARL
• 52. مسائل مربوط به امنیت در MARL
• 53. آینده MARL و جهت‌های پژوهشی
• 54. چالش‌های مقیاس‌پذیری در MARL
• 55. یادگیری مادام‌العمر (Lifelong Learning) در MARL
• 56. یادگیری بازتابی (Reflective Learning) در MARL
• 57. یادگیری فعال (Active Learning) در MARL