دوره طراحی سیستم های مدیریت داده هوشمند با اتکا به یادگیری تقویتی چندعامله به همراه فلش کارت بر روی فلش مموریجدید

سرفصل های دوره: 1. مقدمه ای بر سیستم های مدیریت داده هوشمند 2. مقدمه ای بر یادگیری تقویتی 3. مفاهیم اساسی یادگیری تقویتی 4. پاداش و جریمه در یادگیری تقویتی 5. فضای حالت و عمل در یادگیری تقویتی 6. توابع ارزش و سیاست ها 7. مدل های یادگیری تقویتی (مدل فری، مدل مبتنی بر مدل) 8. الگوریتم های یادگیری تقویتی (Q-Learning، SARSA) 9. یادگیری تقویتی عمیق (Deep Reinforcement Learning) 10. شبکه های عصبی در یادگیری تقویتی 11. معماری های شبکه های عصبی برای یادگیری تقویتی 12. یادگیری تقویتی عمیق با سیاست گرادیان (Policy Gradient) 13. یادگیری تقویتی عمیق با عامل منتقد (Actor-Critic) 14. مقدمه ای بر یادگیری تقویتی چندعامله (Multi-Agent Reinforcement Learning - MARL) 15. چالش های یادگیری تقویتی چندعامله 16. محیط های چندعامله 17. تعاملات بین عامل ها 18. همکاری و رقابت در MARL 19. هماهنگی بین عامل ها 20. یادگیری سیاست های مشترک 21. یادگیری سیاست های توزیع شده 22. انواع استراتژی های MARL 23. MARL با عامل های مستقل 24. MARL با عامل های هماهنگ 25. MARL با عامل های سلسله مراتبی 26. MARL با عامل های با قابلیت مشاهده محدود 27. کاربرد MARL در سیستم های مدیریت داده 28. طراحی معماری سیستم های مدیریت داده هوشمند 29. مدیریت داده توزیع شده 30. مدیریت داده ابری 31. مدیریت داده لبه (Edge Data Management) 32. پایگاه داده های توزیع شده 33. پایگاه داده های NoSQL 34. ...