Avis des lecteurs
Résumé:Le livre « Hands-On Reinforcement Learning for Game » est loué pour son approche pratique et sa couverture approfondie des concepts de l'apprentissage par renforcement, ce qui le rend à la fois informatif et accessible. Il fournit des exemples de codage pratiques et explore une série d'algorithmes en détail, ce qui est idéal pour les lecteurs qui souhaitent approfondir leur compréhension du sujet.
Avantages:Le livre présente une approche pratique claire, une excellente structure avec des chapitres qui s'appuient les uns sur les autres, une couverture complète des aspects appliqués et théoriques de l'apprentissage par renforcement, des démonstrations pratiques de codage en Python utilisant des bibliothèques populaires, et une facilité de lecture pour les débutants.
Inconvénients:Les fondements théoriques peuvent ne pas être suffisants pour les lecteurs qui recherchent des connaissances théoriques approfondies, car ce livre sert principalement de guide pratique. Certaines critiques suggèrent que les conseils contenus dans le livre occupent trop d'espace.
(basé sur 3 avis de lecteurs)
Titre original :
Hands-On Reinforcement Learning for Games
Contenu du livre :
Explorez les techniques d'apprentissage par renforcement (RL) pour créer des jeux de pointe en utilisant des bibliothèques Python telles que PyTorch, OpenAI Gym et TensorFlow Caractéristiques principales Familiarisez-vous avec les différents algorithmes de renforcement et de RL pour le développement de jeux Apprenez à mettre en œuvre des composants tels que les agents artificiels, la génération de cartes et de niveaux et la génération audio Découvrez la recherche de pointe en RL et comprenez en quoi elle est similaire à la recherche sur l'intelligence artificielle générale Description du livre
Avec la présence croissante de l'IA dans l'industrie du jeu, les développeurs sont mis au défi de créer des jeux hautement réactifs et adaptatifs en intégrant l'intelligence artificielle dans leurs projets. Ce livre est votre guide pour apprendre comment les différentes techniques et algorithmes d'apprentissage par renforcement jouent un rôle important dans le développement de jeux avec Python.
En commençant par les bases, ce livre vous aidera à construire une fondation solide dans l'apprentissage par renforcement pour le développement de jeux. Chaque chapitre vous aidera à mettre en œuvre différentes techniques d'apprentissage par renforcement, telles que les processus de décision de Markov (PDM), l'apprentissage Q, les méthodes de critique des acteurs, SARSA et les algorithmes de gradient de politique déterministe, pour construire des agents logiques d'auto-apprentissage. L'apprentissage de ces techniques vous permettra d'améliorer vos compétences en matière de développement de jeux et d'ajouter une variété de fonctionnalités pour améliorer la productivité de votre agent de jeu. Au fur et à mesure de votre progression, vous comprendrez comment les techniques d'apprentissage par renforcement profond (DRL) peuvent être utilisées pour concevoir des stratégies permettant aux agents d'apprendre de leurs actions et de construire des jeux attrayants.
À la fin de ce livre, vous serez prêt à appliquer les techniques d'apprentissage par renforcement pour construire une variété de projets et contribuer à des applications open source. Ce que vous apprendrez Comprendre comment l'apprentissage profond peut être intégré dans un agent RL Explorer les algorithmes de base à avancés couramment utilisés dans le développement de jeux Construire des agents qui peuvent apprendre et résoudre des problèmes dans tous les types d'environnements Former un agent Deep Q-Network (DQN) pour résoudre le problème d'équilibrage CartPole Développer des agents d'IA de jeu en comprenant le mécanisme derrière l'IA complexe Intégrer tous les concepts appris dans de nouveaux projets ou agents de jeu À qui s'adresse ce livre ?
Si vous êtes un développeur de jeux cherchant à mettre en œuvre des techniques d'IA pour créer des jeux de nouvelle génération à partir de zéro, ce livre est fait pour vous. Les praticiens de l'apprentissage automatique et de l'apprentissage profond, ainsi que les chercheurs en IA qui souhaitent comprendre comment utiliser des agents d'auto-apprentissage dans le domaine des jeux trouveront également ce livre utile. Des connaissances en matière de développement de jeux et une expérience de la programmation en Python sont nécessaires. Table des matières Comprendre l'apprentissage basé sur les récompenses Programmation dynamique et équation de Bellman Méthodes de Monte Carlo Apprentissage par différence temporelle Explorer SARSA Approfondir avec DQN Approfondir avec DDQN Méthodes de gradient de politique Optimiser pour un contrôle continu Tout sur Rainbow DQN Exploiter les agents ML Cadres DRL Mondes 3D De DRL à AGI
Autres informations sur le livre :
| ISBN : | 9781839214936 |
| Auteur : | |
| Éditeur : | |
| Langue : | anglais |
| Reliure : | Broché |
Achat:
Actuellement disponible, en stock.
