دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش: [1 ed.]
نویسندگان: Micheal Lanham
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
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.
کاوش تکنیکهای یادگیری تقویتی (RL) برای ساخت بازیهای پیشرفته با استفاده از کتابخانههای پایتون مانند PyTorch، OpenAI Gym و TensorFlow
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.
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.
Explore reinforcement learning (RL) techniques to build cutting-edge games using Python libraries such as PyTorch, OpenAI Gym, and TensorFlow
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.
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.