فلش‌کارت‌های آموزشی الگوریتم‌های یادگیری تقویتی: Q-learning و SARSA

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره الگوریتم‌های یادگیری تقویتی: Q-learning و SARSA

موضوع کلی: برنامه نویسی

موضوع میانی: الگوریتم‌ها و ساختمان داده‌ها

📋 سرفصل‌های دوره

• 1. Q-learning: مفاهیم پایه و تعریف مسئله
• 2. فرآیند تصمیم‌گیری مارکوف (MDP) در یادگیری تقویتی
• 3. ساختار عامل و محیط در Q-learning
• 4. جدول Q: مقداردهی اولیه و به‌روزرسانی
• 5. معادله بلمن در Q-learning
• 6. پارامتر نرخ یادگیری (Alpha) در Q-learning
• 7. عامل تخفیف (Gamma) و تأثیر آن بر تصمیم‌گیری
• 8. سیاست اپسیلون-حریصانه (Epsilon-Greedy) در اکتشاف و بهره‌برداری
• 9. پیاده‌سازی گام به گام الگوریتم Q-learning
• 10. حلقه آموزش در Q-learning: تکرار و همگرایی
• 11. SARSA: تعریف و تفاوت با Q-learning
• 12. معادله به‌روزرسانی در SARSA
• 13. سیاست on-policy در SARSA
• 14. مقایسه on-policy و off-policy در یادگیری تقویتی
• 15. پیاده‌سازی گام به گام الگوریتم SARSA
• 16. تأثیر پارامتر اپسیلون در SARSA
• 17. مفهوم پاداش و تابع ارزش در Q-learning و SARSA
• 18. مسئله پایداری و همگرایی در Q-learning
• 19. مسئله پایداری و همگرایی در SARSA
• 20. شبیه‌سازی محیط ساده (Gridworld) برای آموزش
• 21. پیاده‌سازی Q-learning در محیط Gridworld
• 22. پیاده‌سازی SARSA در محیط Gridworld
• 23. مقایسه عملکرد Q-learning و SARSA در محیط‌های تصادفی
• 24. مفهوم overestimation در Q-learning و راهکارهای کاهش آن
• 25. معرفی Double Q-learning برای کاهش overestimation
• 26. انتخاب پارامترهای بهینه (Alpha, Gamma, Epsilon)
• 27. تکنیک‌های بهبود سرعت یادگیری در Q-learning
• 28. مدیریت فضای حالت در مسائل با ابعاد بزرگ
• 29. مفهوم تابع تقریب (Function Approximation) در Q-learning
• 30. معرفی Q-learning با شبکه عصبی (Deep Q-Network)
• 31. کاربرد Q-learning در مسائل مسیریابی ربات
• 32. کاربرد SARSA در کنترل فرآیندهای صنعتی
• 33. شبیه‌سازی محیط Cliff Walking و تحلیل نتایج
• 34. تحلیل رفتار عامل در مقابل خطر (Risk) با SARSA و Q-learning
• 35. تکنیک replay buffer برای پایداری در یادگیری عمیق
• 36. راهکارهای جلوگیری از واگرایی در Q-learning
• 37. پیاده‌سازی الگوریتم Expected SARSA
• 38. مقایسه Expected SARSA با SARSA و Q-learning
• 39. ارزیابی عملکرد با معیارهای پاداش تجمعی و خطا
• 40. بهینه‌سازی حافظه و محاسبات در پیاده‌سازی جدول Q
• 41. مدیریت محیط‌های غیرایستا (Non-stationary) در یادگیری تقویتی
• 42. مفهوم eligibility traces در الگوریتم‌های SARSA
• 43. معرفی الگوریتم SARSA(λ) و تفاوت آن با SARSA ساده
• 44. پیاده‌سازی SARSA(λ) در محیط‌های گسسته
• 45. تأثیر مقدار λ بر سرعت یادگیری در SARSA(λ)
• 46. مقایسه Q-learning، SARSA و SARSA(λ) در محیط‌های مختلف
• 47. تحلیل پیچیدگی زمانی و حافظه الگوریتم‌ها
• 48. روش‌های انتخاب خودکار اپسیلون در طول آموزش
• 49. چالش sparse reward در Q-learning و SARSA
• 50. معرفی reward shaping برای بهبود یادگیری
• 51. مدیریت حالت‌های پایانی (Terminal States) در محیط
• 52. پیاده‌سازی سیستم پاداش دهی در مسائل عملی
• 53. تست و اعتبارسنجی سیاست یادگرفته شده
• 54. تکنیک‌های Debugging برای خطاهای رایج در پیاده‌سازی
• 55. بهینه‌سازی کد برای اجرای سریع در پایتون
• 56. مقایسه کتابخانه‌های موجود (مانند Gym) برای شبیه‌سازی
• 57. پیاده‌سازی محیط سفارشی برای Q-learning و SARSA
• 58. تحلیل نتایج با نمودارهای یادگیری (Learning Curves)
• 59. مدیریت hyperparameter tuning برای بهترین عملکرد
• 60. مطالعه موردی: بازی ساده (مانند FrozenLake) با Q-learning
• 61. مطالعه موردی: بازی ساده (مانند FrozenLake) با SARSA
• 62. مقایسه نهایی: انتخاب الگوریتم مناسب برای مسئله