Recenze čtenářů
Shrnutí:Kniha „Hands-On Reinforcement Learning for Game“ je oceňována pro svůj praktický přístup a důkladné pokrytí konceptů posilování učení, díky čemuž je informativní a přístupná. Poskytuje praktické příklady kódování a podrobně zkoumá řadu algoritmů, což je ideální pro čtenáře, kteří chtějí prohloubit své znalosti tohoto tématu.
Klady:Kniha má jasný praktický přístup, vynikající strukturu, kdy kapitoly na sebe navazují, komplexní pokrytí aplikovaných i teoretických aspektů reinforcement learningu, praktické ukázky kódování v jazyce Python s využitím populárních knihoven a snadnou čtivost pro začátečníky.
Zápory:Teoretické základy nemusí být dostatečné pro čtenáře, kteří hledají hluboké teoretické znalosti, protože slouží především jako praktický průvodce. Některé recenze naznačují, že tipy v knize zabírají příliš mnoho místa na stránce.
(na základě 3 hodnocení čtenářů)
Původní název:
Hands-On Reinforcement Learning for Games
Obsah knihy:
Prozkoumejte techniky posilování učení (RL) pro tvorbu špičkových her s využitím knihoven Pythonu, jako jsou PyTorch, OpenAI Gym a TensorFlow Klíčové vlastnosti Seznamte se s různými algoritmy posilování a DRL pro vývoj her Naučte se implementovat komponenty, jako jsou umělí agenti, generování map a úrovní a generování zvuku Získejte přehled o špičkovém výzkumu RL a pochopte, jak se podobá výzkumu umělého obecného Popis knihy
S rostoucím výskytem umělé inteligence v herním průmyslu jsou vývojáři postaveni před výzvu vytvářet vysoce citlivé a adaptivní hry integrací umělé inteligence do svých projektů. Tato kniha je vaším průvodcem, který vás naučí, jak různé techniky a algoritmy reinforcement learningu hrají důležitou roli při vývoji her v jazyce Python.
Tato kniha vám pomůže vybudovat si pevné základy v oblasti posilování učení pro vývoj her. Každá kapitola vám pomůže při implementaci různých technik posilovacího učení, jako jsou Markovovy rozhodovací procesy (MDP), Q-learning, metody kritiky aktérů, SARSA a deterministické algoritmy gradientu politiky, k vytvoření logických samoučících se agentů. Naučit se tyto techniky zlepší vaše dovednosti při vývoji her a přidá řadu funkcí, které zvýší produktivitu vašeho herního agenta. Jak budete postupovat, pochopíte, jak lze techniky hlubokého posilování učení (deep reinforcement learning, DRL) využít k navrhování strategií, které agentům pomohou učit se ze svých akcí a vytvářet poutavé hry.
Na konci této knihy budete připraveni používat techniky reinforcement learningu při vytváření různých projektů a přispívat do aplikací s otevřeným zdrojovým kódem. Co se naučíte Pochopíte, jak lze hluboké učení integrovat do RL agenta Prozkoumáte základní až pokročilé algoritmy běžně používané při vývoji her Sestavíte agenty, kteří se mohou učit a řešit problémy ve všech typech prostředí Vycvičíte agenta Deep Q-Network (DQN) k řešení problému vyvažování CartPole Vyvinete herní AI agenty tím, že pochopíte mechanismus stojící za komplexní AI Integrujete všechny naučené koncepty do nových projektů nebo herních agentů Komu je tato kniha určena
Pokud jste herní vývojář a chcete implementovat techniky umělé inteligence při tvorbě her nové generace, je tato kniha určena právě vám. Tuto knihu ocení také odborníci na strojové učení a hluboké učení a výzkumníci v oblasti RL, kteří chtějí pochopit, jak používat samoučící se agenty v herní oblasti. Vyžadují se znalosti vývoje her a zkušenosti s programováním v jazyce Python. Obsah Pochopení učení založeného na odměnách Dynamické programování a Bellmanova rovnice Metody Monte Carlo Časově diferenční učení Zkoumání SARSA Do hloubky s DQN Do hloubky s DDQN Gradientní metody politiky Optimalizace pro spojité řízení Vše o Rainbow DQN Využití ML-agentů DRL frameworky 3D světy Od DRL k AGI
