دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب Hands-On Reinforcement Learning for Games: Implementing self-learning agents in games using artificial intelligence techniques
دانلود کتاب آموزش تقویت دستی برای بازی ها: اجرای عوامل خودآموزی در بازی ها با استفاده از تکنیک های هوش مصنوعی
مشخصات کتاب
Hands-On Reinforcement Learning for Games: Implementing self-learning agents in games using artificial intelligence techniques
ویرایش:
نویسندگان: Micheal Lanham
سری:
ISBN (شابک) : 9781839216770, 1839216778
ناشر: Packt Publishing Ltd
سال نشر: 2020
تعداد صفحات: 420
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 18 مگابایت
قیمت کتاب (تومان) : 39,000
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 تقویت دستی برای بازی ها: اجرای عوامل خودآموزی 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 تقویت دستی برای بازی ها: اجرای عوامل خودآموزی 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 نحوه پیاده‌سازی اجزایی مانند عوامل مصنوعی تولید نقشه و سطح، و تولید صدا در مورد تحقیقات پیشرفته RL اطلاعاتی 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 ایفا می کنند. با شروع با اصول، این کتاب به شما کمک می کند پایه ای قوی در یادگیری تقویتی برای توسعه بازی بسازید. 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 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 مکانیسم 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.
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.
فهرست مطالب
Cover Title Page Copyright and Credits Dedication About Packt Contributors Table of Contents Preface Section 1: Exploring the Environment Chapter 1: Understanding Rewards-Based Learning Technical requirements Understanding rewards-based learning The elements of RL The history of RL Why RL in games? Introducing the Markov decision process The Markov property and MDP Building an MDP Using value learning with multi-armed bandits Coding a value learner Implementing a greedy policy Exploration versus exploitation Exploring Q-learning with contextual bandits Implementing a Q-learning agent Removing discounted rewards Summary Questions Chapter 2: Dynamic Programming and the Bellman Equation Introducing DP Regular programming versus DP Enter DP and memoization Understanding the Bellman equation Unraveling the finite MDP The Bellman optimality equation Building policy iteration Installing OpenAI Gym Testing Gym Policy evaluation Policy improvement Building value iteration Playing with policy versus value iteration Exercises Summary Chapter 3: Monte Carlo Methods Understanding model-based and model-free learning Introducing the Monte Carlo method Solving for Implementing Monte Carlo Plotting the guesses Adding RL Monte Carlo control Playing the FrozenLake game Using prediction and control Incremental means Exercises Summary Chapter 4: Temporal Difference Learning Understanding the TCA problem Introducing TDL Bootstrapping and backup diagrams Applying TD prediction TD(0) or one-step TD Tuning hyperparameters Applying TDL to Q-learning Exploring TD(0) in Q-learning Exploration versus exploitation revisited Teaching an agent to drive a taxi Running off- versus on-policy Exercises Summary Chapter 5: Exploring SARSA Exploring SARSA on-policy learning Using continuous spaces with SARSA Discretizing continuous state spaces Expected SARSA Extending continuous spaces Working with TD (λ) and eligibility traces Backward views and eligibility traces Understanding SARSA (λ) SARSA lambda and the Lunar Lander Exercises Summary Section 2: Exploiting the Knowledge Chapter 6: Going Deep with DQN DL for RL DL frameworks for DRL Using PyTorch for DL Computational graphs with tensors Training a neural network – computational graph Building neural networks with Torch Understanding DQN in PyTorch Refreshing the environment Partially observable Markov decision process Constructing DQN The replay buffer The DQN class Calculating loss and training Exercising DQN Revisiting the LunarLander and beyond Exercises Summary Chapter 7: Going Deeper with DDQN Understanding visual state Encoding visual state Introducing CNNs Working with a DQN on Atari Adding CNN layers Introducing DDQN Double DQN or the fixed Q targets Dueling DQN or the real DDQN Extending replay with prioritized experience replay Exercises Summary Chapter 8: Policy Gradient Methods Understanding policy gradient methods Policy gradient ascent Introducing REINFORCE Using advantage actor-critic Actor-critic Training advantage AC Building a deep deterministic policy gradient Training DDPG Exploring trust region policy optimization Conjugate gradients Trust region methods The TRPO step Exercises Summary Chapter 9: Optimizing for Continuous Control Understanding continuous control with Mujoco Introducing proximal policy optimization The hows of policy optimization PPO and clipped objectives Using PPO with recurrent networks Deciding on synchronous and asynchronous actors Using A2C Using A3C Building actor-critic with experience replay Exercises Summary Chapter 10: All about Rainbow DQN Rainbow – combining improvements in deep reinforcement learning Using TensorBoard Introducing distributional RL Back to TensorBoard Understanding noisy networks Noisy networks for exploration and importance sampling Unveiling Rainbow DQN When does training fail? Exercises Summary Chapter 11: Exploiting ML-Agents Installing ML-Agents Building a Unity environment Building for Gym wrappers Training a Unity environment with Rainbow Creating a new environment Coding an agent/environment Advancing RL with ML-Agents Curriculum learning Behavioral cloning Curiosity learning Training generalized reinforcement learning agents Exercises Summary Chapter 12: DRL Frameworks Choosing a framework Introducing Google Dopamine Playing with Keras-RL Exploring RL Lib Using TF-Agents Exercises Summary Section 3: Reward Yourself Chapter 13: 3D Worlds Reasoning on 3D worlds Training a visual agent Generalizing 3D vision ResNet for visual observation encoding Challenging the Unity Obstacle Tower Challenge Pre-training the agent Prierarchy – implicit hierarchies Exploring Habitat – embodied agents by FAIR Installing Habitat Training in Habitat Exercises Summary Chapter 14: From DRL to AGI Learning meta learning Learning 2 learn Model-agnostic meta learning Training a meta learner Introducing meta reinforcement learning MAML-RL Using hindsight experience replay Imagination and reasoning in RL Generating imagination Understanding imagination-augmented agents Exercises Summary Other Books You May Enjoy Index
نظرات کاربران
کتاب های تصادفی
دانلود کتاب Cryptographic Hardware and Embedded Systems - CHES 2006: 8th International Workshop, Yokohama, Japan, October 10-13, 2006. Proceedings
دانلود کتاب Chemistry of Heterocyclic Compounds: Pyridine and Its Derivatives: Supplement, Part Three, Volume 14
