امروزه در طیف وسیعی از مسائل در دنیای واقعی امکان ارائه بازخورد لحظه‌ای و جزئی برای آموزش عامل‌های هوشمند وجود ندارد. رویکرد متداول در این حالات یادگیری تقویتی است. از جمله چالش‌های این حوزه، تنک بودن بازخوردها، زمان و تعداد نمونه‌های بالای مورد نیاز برای آموزش این عامل‌ها، بعد بالای مشاهدات دریافت شده از محیط، و همینطور تطبیق‌پذیری سریع با محیط‌های جدید است. در این درس این موارد را مورد بررسی قرار می‌دهیم.

1. مفهوم Multi-armed Bandits
2. مدل‌های تصمیم مارکف محدود ‌MDP و POMDP
3. معادلات Bellman، ارزیابی سیاست و بهبود آن
   • برنامه‌ریزی پویا
   • تکرار سیاست
   • تکرار ارزش
   • بهبود سیاست
4. روش‌های Monte Carlo
   • پیش‌بینی
   • کنترل
   • نمونه‌برداری وزن‌دار (Importance Sampling)
5. یادگیری اختلاف زمانی (Temporal Difference)
   • یادگیری on-policy و off-policy
   • روش Q-Learning
   • روش SARSA
6. یادگیری تقویتی معکوس
7. یادگیری تقلیدی
8. روش‌های Bootstrap با n گام و لامبدا TD
9. روش‌های تخمین
   • روش Deep Q-Learning
   • روش Deep Double Q-Learning
10. روش Policy Gradient
    • روش‌های کاهش واریانس گرادیان
    • الگوریتم REINFORCE
11. روش‌های نوین بهینه‌سازی
    • روش ناحیه مطمئن TRPO
    • روش بهینه‌سازی سیاست مبدائی PPO
12. روش‌های نوین Off-Policy
    • روش DDPG
    • روش ‌‌Soft Actor Critic یا SAC
13. روش‌های مبتنی بر مدل
    • روش‌های برنامه‌ریزی
    • روش Model Predictive Control
    • روش‌ بهینه‌سازی مبتنی بر Cross-entropy
    • درخت جستجوی Monte Carlo
    • روش Backpropagation Through Time
    • روش‌های مبتنی بر Ensemble
14. یادگیری تقویتی در بینایی ماشین
15. روش‌های یادگیری نمایش
    • روش CURL
16. روش‌های فرایادگیری (Meta Learning)
    • روش MAML
    • روش PEARL
    • روش CaDM
    • روش MetaCURE
17. شکل‌دهی به سود (Reward Shaping)
18. روش‌های ناتنیده کردن اکتشاف و بهره‌برداری
19. روش‌های چند عاملی

• تمرین‌ها: ۳۵ درصد
• ارائه مقاله: ۱۰ درصد
• امتحان کوتاه: ۱۰ درصد
• امتحان میان‌ ترم: ۲۰ درصد
• امتحان پایان‌ ترم: ۲۵ درصد