توضیحات
Gain an in-depth overview of reinforcement learning for autonomous agents in game development with Unity.
This book starts with an introduction to state-based reinforcement learning algorithms involving Markov models, Bellman equations, and writing custom C# code with the aim of contrasting value and policy-based functions in reinforcement learning. Then, you will move on to path finding and navigation meshes in Unity, setting up the ML Agents Toolkit (including how to install and set up ML agents from the GitHub repository), and installing fundamental machine learning libraries and frameworks (such as Tensorflow). You will learn about: deep learning and work through an introduction to Tensorflow for writing neural networks (including perceptron, convolution, and LSTM networks), Q learning with Unity ML agents, and porting trained neural network models in Unity through the Python-C# API. You will also explore the OpenAI Gym Environment used throughout the book.
Deep Reinforcement Learning in Unity provides a walk-through of the core fundamentals of deep reinforcement learning algorithms, especially variants of the value estimation, advantage, and policy gradient algorithms (including the differences between on and off policy algorithms in reinforcement learning). These core algorithms include actor critic, proximal policy, and deep deterministic policy gradients and its variants. And you will be able to write custom neural networks using the Tensorflow and Keras frameworks.
Deep learning in games makes the agents learn how they can perform better and collect their rewards in adverse environments without user interference.The book provides a thorough overview of integrating ML Agents with Unity for deep reinforcement learning.
What You Will Learn
- Understand how deep reinforcement learning works in games
- Grasp the fundamentals of deep reinforcement learning
- Integrate these fundamentals with the Unity ML Toolkit SDK
- Gain insights into practical neural networks for training Agent Brain in the context of Unity ML Agents
- Create different models and perform hyper-parameter tuning
- Understand the Brain-Academy architecture in Unity ML Agents
- Understand the Python-C# API interface during real-time training of neural networks
- Grasp the fundamentals of generic neural networks and their variants using Tensorflow
- Create simulations and visualize agents playing games in Unity
Who This Book Is For
Readers with preliminary programming and game development experience in Unity, and those with experience in Python and a general idea of machine learning
————————————————————–
ترجمه ماشینی :
با Unity مروری عمیق بر یادگیری تقویتی برای عوامل مستقل در توسعه بازی به دست آورید.
این کتاب با مقدمهای بر الگوریتمهای یادگیری تقویتی مبتنی بر حالت شامل مدلهای مارکوف، معادلات بلمن و نوشتن شروع میشود. کد سی شارپ سفارشی با هدف متضاد ارزش و توابع مبتنی بر خط مشی در یادگیری تقویتی. سپس، به مسیریابی و مش های ناوبری در یونیتی، راه اندازی ML Agents Toolkit (از جمله نحوه نصب و راه اندازی عوامل ML از مخزن GitHub)، و نصب کتابخانه ها و چارچوب های یادگیری ماشین اساسی (مانند Tensorflow) خواهید رفت. . شما در مورد: یادگیری عمیق و کار از طریق مقدمه ای بر Tensorflow برای نوشتن شبکه های عصبی (شامل شبکه های پرسپترون، کانولوشن و LSTM)، یادگیری Q با عوامل Unity ML، و انتقال مدل های شبکه عصبی آموزش دیده در Unity از طریق Python-C# API یاد خواهید گرفت. . همچنین محیط بدنسازی OpenAI را که در سراسر کتاب استفاده شده است، کاوش خواهید کرد.
آموزش تقویتی عمیق در یونیتی اطلاعاتی را در مورد اصول اصلی عمیق ارائه می دهد. الگوریتم های یادگیری تقویتی، به ویژه انواع الگوریتم های تخمین ارزش، مزیت و گرادیان خط مشی (از جمله تفاوت بین الگوریتم های خط مشی روشن و خاموش در یادگیری تقویتی). این الگوریتم های اصلی شامل منتقد بازیگر، خط مشی پروگزیمال، و گرادیان های خط مشی قطعی عمیق و انواع آن هستند. و شما قادر خواهید بود شبکه های عصبی سفارشی را با استفاده از چارچوب های Tensorflow و Keras بنویسید.
یادگیری عمیق در بازیها باعث میشود که عوامل یاد بگیرند که چگونه میتوانند عملکرد بهتری داشته باشند و پاداشهای خود را در محیطهای نامطلوب بدون دخالت کاربر جمعآوری کنند. این کتاب یک مرور کلی از ادغام عوامل ML با Unity برای یادگیری تقویتی عمیق ارائه میکند.
آنچه یاد خواهید گرفت
- درک نحوه عملکرد یادگیری تقویتی عمیق در بازی ها
- مبانی یادگیری تقویتی عمیق را درک کنید
- این اصول را با Unity ML Toolkit SDK ادغام کنید
- اطلاعات بینش به دست آورید وارد ش
tag : دانلود کتاب یادگیری تقویتی عمیق در یونیتی: با جعبه ابزار Unity ML , Download یادگیری تقویتی عمیق در یونیتی: با جعبه ابزار Unity ML , دانلود یادگیری تقویتی عمیق در یونیتی: با جعبه ابزار Unity ML , Download Deep Reinforcement Learning in Unity: With Unity ML Toolkit Book , یادگیری تقویتی عمیق در یونیتی: با جعبه ابزار Unity ML دانلود , buy یادگیری تقویتی عمیق در یونیتی: با جعبه ابزار Unity ML , خرید کتاب یادگیری تقویتی عمیق در یونیتی: با جعبه ابزار Unity ML , دانلود کتاب Deep Reinforcement Learning in Unity: With Unity ML Toolkit , کتاب Deep Reinforcement Learning in Unity: With Unity ML Toolkit , دانلود Deep Reinforcement Learning in Unity: With Unity ML Toolkit , خرید Deep Reinforcement Learning in Unity: With Unity ML Toolkit , خرید کتاب Deep Reinforcement Learning in Unity: With Unity ML Toolkit ,
نقد و بررسیها
هنوز بررسیای ثبت نشده است.