ورود به حساب

نام کاربری گذرواژه

گذرواژه را فراموش کردید؟ کلیک کنید

حساب کاربری ندارید؟ ساخت حساب

ساخت حساب کاربری

نام نام کاربری ایمیل شماره موبایل گذرواژه

برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید


09117307688
09117179751

در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید

دسترسی نامحدود

برای کاربرانی که ثبت نام کرده اند

ضمانت بازگشت وجه

درصورت عدم همخوانی توضیحات با کتاب

پشتیبانی

از ساعت 7 صبح تا 10 شب

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

دانلود کتاب 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

مشخصات کتاب

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

ویرایش: [1 ed.] 
نویسندگان:   
سری:  
ISBN (شابک) : 1839214937, 9781839214936 
ناشر: Packt Publishing 
سال نشر: 2020 
تعداد صفحات: 432 
زبان: English 
فرمت فایل : EPUB (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 17 Mb

قیمت کتاب (تومان) : 47,000



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 1


در صورت تبدیل فایل کتاب Hands-On Reinforcement Learning for Games: Implementing self-learning agents in games using artificial intelligence techniques به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.

توجه داشته باشید کتاب آموزش تقویتی دستی برای بازی ها: پیاده سازی عوامل خودآموز در بازی ها با استفاده از تکنیک های هوش مصنوعی نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.


توضیحاتی در مورد 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 تقویت و الگوریتم های DRL مختلف برای توسعه بازی آشنا شوید
  • با نحوه پیاده سازی اجزایی مانند عوامل مصنوعی، تولید نقشه و سطح، و تولید صدا آشنا شوید
  • Gain بینش در مورد تحقیقات پیشرفته RL و درک اینکه چگونه آن شبیه به تحقیقات عمومی مصنوعی است

توضیحات کتاب

با افزایش حضور هوش مصنوعی در صنعت بازی، توسعه دهندگان با ادغام هوش مصنوعی در پروژه‌های خود، به چالش کشیده شده‌اند تا بازی‌های بسیار واکنش‌گرا و سازگار ایجاد کنند. این کتاب راهنمای شما برای یادگیری این است که چگونه تکنیک‌ها و الگوریتم‌های مختلف یادگیری تقویتی نقش مهمی در توسعه بازی با پایتون ایفا می‌کنند.

با شروع، این کتاب به شما کمک می‌کند پایه‌ای قوی در یادگیری تقویتی برای بازی بسازید. توسعه. هر فصل به شما در اجرای تکنیک‌های مختلف یادگیری تقویتی، مانند فرآیندهای تصمیم 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. همانطور که پیشرفت می کنید، متوجه خواهید شد که چگونه می توان از تکنیک های یادگیری تقویتی عمیق (DRL) برای ابداع استراتژی هایی برای کمک به عوامل یادگیری از اقدامات خود و ساخت بازی های جذاب استفاده کرد.

در پایان این کتاب، شما آماده به کار بردن تکنیک های یادگیری تقویتی برای ساخت انواع پروژه ها و کمک به برنامه های کاربردی منبع باز خواهد بود.

آنچه یاد خواهید گرفت

  • درک کنید که چگونه می توان یادگیری عمیق را با آن ادغام کرد. یک عامل RL
  • کاوش در الگوریتم های پایه تا پیشرفته که معمولاً در توسعه بازی استفاده می شود
  • عامل هایی بسازید که می توانند مسائل را در انواع محیط ها یاد بگیرند و حل کنند
  • آموزش یک Deep عامل Q-Network (DQN) برای حل مشکل تعادل CartPole
  • توسعه عوامل هوش مصنوعی بازی با درک مکانیسم پشت هوش مصنوعی پیچیده
  • ادغام تمام مفاهیم آموخته شده در پروژه های جدید یا عوامل بازی< /li>

این کتاب برای چه کسانی است

اگر یک توسعه‌دهنده بازی هستید که به دنبال پیاده‌سازی تکنیک‌های هوش مصنوعی برای ساخت بازی‌های نسل بعدی از ابتدا هستید، این کتاب برای شما مناسب است. 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 مورد نیاز است.

فهرست مطالب

  1. درک یادگیری مبتنی بر پاداش
  2. برنامه نویسی پویا و معادله بلمن< /li>
  3. روش‌های مونت کارلو
  4. یادگیری تفاوت زمانی
  5. کاوش در SARSA
  6. عمیق‌تر رفتن با DQN
  7. عمیق‌تر رفتن با DDQN
  8. روش های گرادیان خط مشی
  9. بهینه سازی برای کنترل مستمر
  10. همه چیز درباره Rainbow DQN
  11. بهره برداری از ML-Agents
  12. چارچوب های DRL
  13. جهان های سه بعدی
  14. از DRL تا AGI

توضیحاتی درمورد کتاب به خارجی

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.

Table of Contents

  1. Understanding Rewards-Based Learning
  2. Dynamic Programming and the Bellman Equation
  3. Monte Carlo Methods
  4. Temporal Difference Learning
  5. Exploring SARSA
  6. Going Deep with DQN
  7. Going Deeper with DDQN
  8. Policy Gradient Methods
  9. Optimizing for Continuous Control
  10. All about Rainbow DQN
  11. Exploiting ML-Agents
  12. DRL Frameworks
  13. 3D Worlds
  14. From DRL to AGI




نظرات کاربران

تمامی حقوق معنوی و مادی وبسایت متعلق به اینترنشنال لایبرری می باشد
نماد اعتماد الکترونیکی