کامپیوترها

آموزش تقویتی دستی برای بازی ها: پیاده سازی عوامل خودآموز در بازی ها با استفاده از تکنیک های هوش مصنوعی

Hands-On Reinforcement Learning for Games: Implementing self-learning agents in games using artificial intelligence techniques

دانلود کتاب Hands-On Reinforcement Learning for Games: Implementing self-learning agents in games using artificial intelligence techniques (به فارسی: آموزش تقویتی دستی برای بازی ها: پیاده سازی عوامل خودآموز در بازی ها با استفاده از تکنیک های هوش مصنوعی) نوشته شده توسط «Micheal Lanham»

اطلاعات کتاب آموزش تقویتی دستی برای بازی ها: پیاده سازی عوامل خودآموز در بازی ها با استفاده از تکنیک های هوش مصنوعی

موضوع اصلی: کامپیوترها

نوع: کتاب الکترونیکی

ناشر: Packt Publishing Ltd

نویسنده: Micheal Lanham

زبان: english

فرمت کتاب: PDF (قابل تبدیل به سایر فرمت ها)

سال انتشار: 2020

تعداد صفحه: 432 / 420

حجم فایل: 18.29 مگابایت

کد کتاب: 1839216778 , 9781839216770

توضیحات کتاب آموزش تقویتی دستی برای بازی ها: پیاده سازی عوامل خودآموز در بازی ها با استفاده از تکنیک های هوش مصنوعی

کاوش تکنیک‌های یادگیری تقویتی (RL) برای ساخت بازی‌های پیشرفته با استفاده از کتابخانه‌های پایتون مانند PyTorch، OpenAI Gym و TensorFlow ویژگی‌های کلیدی با تقویت‌کننده‌های مختلف و الگوریتم‌های DRL برای توسعه بازی آشنا شوید. تولید نقشه و سطح، و تولید صدا در مورد تحقیقات پیشرفته RL بینش به دست آورید و درک کنید که چگونه شبیه به تحقیقات عمومی مصنوعی است. ادغام هوش مصنوعی در پروژه های خود این کتاب راهنمای شما برای یادگیری این است که چگونه تکنیک ها و الگوریتم های مختلف یادگیری تقویتی نقش مهمی در توسعه بازی با پایتون دارند. با شروع با اصول، این کتاب به شما کمک می کند تا پایه ای قوی در یادگیری تقویتی برای توسعه بازی بسازید. هر فصل به شما در اجرای تکنیک‌های یادگیری تقویتی مختلف، مانند فرآیندهای تصمیم‌گیری مارکوف (MDPs)، یادگیری Q، روش‌های منتقد بازیگر، SARSA و الگوریتم‌های گرادیان خط‌مشی قطعی، برای ساخت عوامل خودآموز منطقی کمک می‌کند. یادگیری این تکنیک ها مهارت های توسعه بازی شما را افزایش می دهد و ویژگی های مختلفی را برای بهبود بهره وری عامل بازی شما اضافه می کند. با پیشروی، متوجه خواهید شد که چگونه می‌توان از تکنیک‌های یادگیری تقویتی عمیق (DRL) برای ابداع استراتژی‌هایی برای کمک به عوامل یادگیری از اقدامات خود و ساخت بازی‌های جذاب استفاده کرد. در پایان این کتاب، شما آماده خواهید بود که از تکنیک های یادگیری تقویتی برای ساخت انواع پروژه ها و کمک به برنامه های کاربردی منبع باز استفاده کنید. آنچه یاد خواهید گرفت درک نحوه ادغام یادگیری عمیق در یک عامل RL الگوریتم های پایه تا پیشرفته که معمولاً در توسعه بازی استفاده می شود را کاوش کنید عواملی بسازید که می توانند مشکلات را در همه انواع محیط ها یاد بگیرند و حل کنند آموزش یک عامل Deep Q-Network (DQN) برای حل کردن مشکل تعادل CartPole با درک مکانیزم هوش مصنوعی پیچیده عوامل هوش مصنوعی بازی را توسعه دهید همه مفاهیم آموخته شده را در پروژه های جدید یا عوامل بازی ادغام کنید اگر یک توسعه دهنده بازی هستید که به دنبال پیاده سازی تکنیک های هوش مصنوعی برای ساخت بازی های نسل بعدی هستید. scratch، این کتاب برای شماست. تمرین‌کنندگان یادگیری ماشین و یادگیری عمیق، و محققان RL که می‌خواهند نحوه استفاده از عوامل خودآموز در حوزه بازی را بدانند نیز این کتاب را مفید خواهند یافت. دانش توسعه بازی و تجربه برنامه نویسی پایتون الزامی است.

Explore reinforcement learning (RL) techniques to build cutting-edge games using Python libraries such as PyTorch, OpenAI Gym, and TensorFlow Key Features Get to grips with the different reinforcement and DRL algorithms for game development Learn how to implement components such as artificial agents, map and level generation, and audio generation Gain insights into cutting-edge RL research and understand how it is similar to artificial general research Book Description With the increased presence of AI in the gaming industry, developers are challenged to create highly responsive and adaptive games by integrating artificial intelligence into their projects. This book is your guide to learning how various reinforcement learning techniques and algorithms play an important role in game development with Python. Starting with the basics, this book will help you build a strong foundation in reinforcement learning for game development. Each chapter will assist you in implementing different reinforcement learning techniques, such as Markov decision processes (MDPs), Q-learning, actor-critic methods, SARSA, and deterministic policy gradient algorithms, to build logical self-learning agents. Learning these techniques will enhance your game development skills and add a variety of features to improve your game agent’s productivity. As you advance, you’ll understand how deep reinforcement learning (DRL) techniques can be used to devise strategies to help agents learn from their actions and build engaging games. By the end of this book, you’ll be ready to apply reinforcement learning techniques to build a variety of projects and contribute to open source applications. What you will learn Understand how deep learning can be integrated into an RL agent Explore basic to advanced algorithms commonly used in game development Build agents that can learn and solve problems in all types of environments Train a Deep Q-Network (DQN) agent to solve the CartPole balancing problem Develop game AI agents by understanding the mechanism behind complex AI Integrate all the concepts learned into new projects or gaming agents Who this book is for If you’re a game developer looking to implement AI techniques to build next-generation games from scratch, this book is for you. Machine learning and deep learning practitioners, and RL researchers who want to understand how to use self-learning agents in the game domain will also find this book useful. Knowledge of game development and Python programming experience are required.

دانلود کتاب «آموزش تقویتی دستی برای بازی ها: پیاده سازی عوامل خودآموز در بازی ها با استفاده از تکنیک های هوش مصنوعی»

مبلغی که بابت خرید کتاب می‌پردازیم به مراتب پایین‌تر از هزینه‌هایی است که در آینده بابت نخواندن آن خواهیم پرداخت.
برچسب ها

دیدگاهتان را بنویسید

مبلغی که بابت خرید کتاب می‌پردازیم به مراتب پایین‌تر از هزینه‌هایی است که در آینده بابت نخواندن آن خواهیم پرداخت.
کتابخانه دیجیتال بَلیان