دوره پیامدهای نظری یادگیری در بازی های با عامل های با دانش تحلیلی به همراه فلش کارت بر روی فلش مموریجدید

سرفصل های دوره: 1. مقدمه ای بر یادگیری در بازی های با عامل های با دانش تحلیلی 2. تعریف عامل های با دانش تحلیلی 3. مفهوم یادگیری در عامل های هوشمند 4. اهمیت یادگیری در بازی ها 5. مروری بر انواع بازی ها در هوش مصنوعی 6. چالش های یادگیری در محیط های پویا 7. مروری بر روش های یادگیری تقویتی 8. مقدمه ای بر یادگیری عمیق 9. شبکه های عصبی و کاربرد آن ها 10. شبکه های کانولوشنال (CNN) 11. شبکه های بازگشتی (RNN) 12. شبکه های حافظه طولانی کوتاه مدت (LSTM) 13. شبکه های ترانسفورمر 14. یادگیری ماشینی نظارت شده 15. یادگیری ماشینی بدون نظارت 16. یادگیری ماشینی نیمه نظارت شده 17. یادگیری تقویتی بدون مدل (Model-free RL) 18. یادگیری تقویتی مبتنی بر مدل (Model-based RL) 19. تابع ارزش (Value Function) 20. تابع سیاست (Policy Function) 21. تابع پاداش (Reward Function) 22. استانداردسازی پاداش ها 23. یادگیری سیاست گرادیان (Policy Gradient) 24. الگوریتم Actor-Critic 25. الگوریتم Q-Learning 26. الگوریتم Deep Q-Networks (DQN) 27. الگوریتم Double DQN 28. الگوریتم Dueling DQN 29. الگوریتم Prioritized Experience Replay 30. الگوریتم A3C (Asynchronous Advantage Actor-Critic) 31. الگوریتم PPO (Proximal Policy Optimization) 32. الگوریتم TRPO (Trust Region Policy Optimization) 33. یادگیری چند عاملی (Multi-Agent Learning) 34. هماهنگی بین عامل ها 35. ...