Recenze čtenářů
Shrnutí:Kniha se setkala s negativními ohlasy kvůli nedostatku jasných vysvětlení, zejména v kapitolách, které se zabývají příklady ML-Agentů. Mnoho čtenářů ji považovalo za frustrující, zejména při pokusech o implementaci příkladů v systému Windows, a mají pocit, že obsah neposkytuje hodnotu ve srovnání s bezplatnými zdroji dostupnými online.
Klady:Někteří čtenáři zmínili, že poskytnuté informace jsou skvělé z hlediska teorie.
Zápory:Několik recenzí zdůraznilo, že kapitoly postrádají dobré vysvětlení a příklady se obtížně implementují, zejména v systému Windows. Někteří navíc měli pocit, že kniha pouze kopíruje bezplatné výukové materiály pro Unity, aniž by měla podstatnou přidanou hodnotu.
(na základě 4 hodnocení čtenářů)
Původní název:
Learn Unity ML - Agents - Fundamentals of Unity Machine Learning
Obsah knihy:
Přeměňte hry na prostředí pomocí strojového učení a hlubokého učení s Tensorflow, Keras a Unity Klíčové vlastnosti Naučte se, jak aplikovat základní koncepty strojového učení na své hry s Unity Naučte se základy Reinforcement Learning a Q-Learning a aplikujte je na své hry Naučte se, jak vytvořit několik asynchronních agentů a spustit je v tréninkovém scénáři Popis knihy
Agenti strojového učení v Unity umožňují výzkumníkům a vývojářům vytvářet hry a simulace pomocí editoru Unity, který slouží jako prostředí, v němž lze inteligentní agenty trénovat pomocí metod strojového učení prostřednictvím snadno použitelného rozhraní API jazyka Python.
Tato kniha vás provede od základů posilování a Q učení až po budování hlubokých rekurentních agentů Q sítí, kteří spolupracují nebo soutěží v ekosystému více agentů. Začnete se základy Reinforcement Learningu a jeho aplikací na problémy. Poté se naučíte, jak pomocí Pythonu a Keras/TensorFlow budovat pokročilé neuronové sítě, které se samy učí. Odtud se přesunete k pokročilejším tréninkovým scénářům, kde se naučíte další inovativní způsoby trénování sítě pomocí modelů A3C, imitace a kurikulárního učení. Na konci knihy se naučíte, jak vytvářet složitější prostředí pomocí budování kooperativního a konkurenčního ekosystému více agentů. Co se naučíte Vyvíjet posilování a hluboké posilovací učení pro hry. Pochopíte složité a pokročilé koncepty posilovacího učení a neuronových sítí Prozkoumáte různé strategie trénování pro vývoj kooperativních a kompetitivních agentů Přizpůsobíte základní součásti skriptů Academy, Agent a Brain pro použití s Q Learning. Vylepšete model Q Learning pomocí vylepšených tréninkových strategií, jako je například Greedy-Epsilon exploration Implementujte jednoduchý NN s Keras a použijte jej jako externí mozek v Unity Pochopte, jak přidat bloky LTSM do stávající DQN Vytvořte několik asynchronních agentů a spusťte je v tréninkovém scénáři Pro koho je tato kniha určena
Tato kniha je určena vývojářům se zájmem o používání algoritmů strojového učení k vývoji lepších her a simulací v Unity. Obsah Představení strojového učení a ML-agentů Bandita a Reinforcement Learning Hluboké učení s posilováním pomocí jazyka Python Přidání průzkumu a paměti agentů Hraní hry Terrarium Revisited - Budování ekosystému s více agenty
