دوره کاربرد شبکه های عصبی کانولوشنال در MARL به همراه فلش کارت بر روی فلش مموریجدید

سرفصل های دوره: 1. مقدمه ای بر یادگیری تقویتی چند عامله (MARL) 2. مبانی یادگیری تقویتی (RL) 3. عوامل، محیط، حالت، عمل، پاداش 4. فرآیندهای تصمیم گیری مارکوف (MDP) 5. تعریف MDP 6. حالت، عمل، پاداش، انتقال 7. تابع ارزش 8. تابع ارزش حالت (V) 9. تابع ارزش حالت-عمل (Q) 10. اپتیمال بودن 11. الگوریتم های یادگیری RL 12. یادگیری Q 13. یادگیری Deep Q-Network (DQN) 14. Gradient Policy 15. Actor-Critic 16. یادگیری تقویتی چند عامله (MARL) 17. چالش های MARL 18. عدم سکون محیط 19. عدم ثبات هدف 20. رقابت و همکاری 21. مقیاس پذیری 22. مقدمه ای بر شبکه های عصبی کانولوشنال (CNN) 23. مبانی CNN 24. لایه های کانولوشنال 25. فیلترها (کرنل ها) 26. ویژگی های استخراج شده 27. توابع فعال سازی (ReLU، Sigmoid، Tanh) 28. لایه های Pooling (Max Pooling، Average Pooling) 29. لایه های کاملاً متصل (Fully Connected) 30. معماری های CNN رایج (LeNet، AlexNet، VGG، ResNet) 31. کاربرد CNN در پردازش تصویر 32. کاربرد CNN در بینایی ماشین 33. کاربرد CNN در تشخیص اشیاء 34. کاربرد CNN در بخش بندی تصویر 35. کاربرد CNN در تولید تصویر 36. کاربرد CNN در MARL 37. چرا CNN در MARL مفید است؟ 38. پردازش داده های حسی تصویری (مانند حسگرهای دوربین) 39. استخراج ویژگی های فضایی 40. کاهش ابعاد داده های ورودی 41. یادگیری نمایش های سلسله مراتبی 42. معماری های CNN برای MARL 43. ...