Avis des lecteurs
Résumé:Le livre a reçu des commentaires négatifs en raison de son manque d'explications claires, en particulier dans les chapitres qui traitent des exemples de ML-Agents. De nombreux lecteurs l'ont trouvé frustrant, en particulier lorsqu'ils ont essayé de mettre en œuvre les exemples sous Windows, et ils estiment que le contenu n'apporte pas de valeur ajoutée par rapport aux ressources gratuites disponibles en ligne.
Avantages:Certains lecteurs ont mentionné que les informations fournies étaient excellentes en termes de théorie.
Inconvénients:Plusieurs critiques ont souligné que les chapitres manquaient de bonnes explications et que les exemples étaient difficiles à mettre en œuvre, en particulier sous Windows. En outre, certains ont estimé que le livre ne faisait que reproduire les tutoriels gratuits d'Unity sans apporter de valeur ajoutée substantielle.
(basé sur 4 avis de lecteurs)
Titre original :
Learn Unity ML - Agents - Fundamentals of Unity Machine Learning
Contenu du livre :
Transformer les jeux en environnements en utilisant l'apprentissage automatique et l'apprentissage profond avec Tensorflow, Keras et Unity Caractéristiques principales Apprendre à appliquer les concepts de base de l'apprentissage automatique à vos jeux avec Unity Apprendre les principes fondamentaux de l'apprentissage par renforcement et de l'apprentissage Q et les appliquer à vos jeux Apprendre à construire plusieurs agents asynchrones et à les exécuter dans un scénario d'entraînement Description de l'ouvrage
Les agents Unity Machine Learning permettent aux chercheurs et aux développeurs de créer des jeux et des simulations en utilisant l'éditeur Unity, qui sert d'environnement où des agents intelligents peuvent être formés avec des méthodes d'apprentissage automatique par le biais d'une API Python simple à utiliser.
Ce livre vous emmène des bases de l'apprentissage par renforcement et de l'apprentissage Q à la construction d'agents Q-Network récurrents profonds qui coopèrent ou rivalisent dans un écosystème multi-agents. Vous commencerez par les bases de l'apprentissage par renforcement et comment l'appliquer aux problèmes. Ensuite, vous apprendrez à construire des réseaux neuronaux avancés auto-apprenants avec Python et Keras/TensorFlow. Vous passerez ensuite à des scénarios de formation plus avancés où vous apprendrez d'autres façons innovantes de former votre réseau avec des modèles d'apprentissage A3C, d'imitation et de curriculum. À la fin du livre, vous aurez appris à créer des environnements plus complexes en construisant un écosystème multi-agents coopératif et compétitif. Ce que vous apprendrez Développer l'apprentissage par renforcement et par renforcement profond pour les jeux. Comprendre les concepts complexes et avancés de l'apprentissage par renforcement et des réseaux neuronaux Explorer diverses stratégies de formation pour le développement d'agents coopératifs et compétitifs Adapter les composants de script de base de l'Académie, de l'Agent et du Cerveau pour les utiliser avec Q Learning. Améliorer le modèle Q Learning avec des stratégies de formation améliorées telles que l'exploration Greedy-Epsilon Implémenter un simple NN avec Keras et l'utiliser comme un cerveau externe dans Unity Comprendre comment ajouter des blocs LTSM à un DQN existant Construire plusieurs agents asynchrones et les faire fonctionner dans un scénario de formation A qui s'adresse ce livre ?
Ce livre est destiné aux développeurs intéressés par l'utilisation d'algorithmes d'apprentissage automatique pour développer de meilleurs jeux et simulations avec Unity. Table des matières Introduction à l'apprentissage automatique et aux agents ML Le Bandit et l'apprentissage par renforcement L'apprentissage par renforcement profond avec Python Ajouter l'exploration et la mémoire des agents Jouer le jeu Terrarium Revisité - Construire un écosystème multi-agents
Autres informations sur le livre :
| ISBN : | 9781789138139 |
| Auteur : | |
| Éditeur : | |
| Langue : | anglais |
| Reliure : | Broché |
Achat:
Actuellement disponible, en stock.
