A Unity ML tanulása - Agensek - A Unity gépi tanulás alapjai

Olvasói vélemények

A könyv negatív visszajelzéseket kapott a világos magyarázatok hiánya miatt, különösen az ML-ügynökök példáival foglalkozó fejezetekben. Sok olvasó frusztrálónak találta, különösen amikor a példákat Windowson próbálták megvalósítani, és úgy érzik, hogy a tartalom nem nyújt értéket az interneten elérhető ingyenes forrásokhoz képest.

Néhány olvasó megemlítette, hogy a közölt információk elméleti szempontból nagyszerűek.

Több vélemény kiemelte, hogy a fejezetekből hiányoztak a jó magyarázatok, és a példákat nehéz volt megvalósítani, különösen Windowson. Emellett néhányan úgy érezték, hogy a könyv csupán megismétli az ingyenes Unity oktatóanyagokat, anélkül, hogy érdemi értéket adna hozzá.

(4 olvasói vélemény alapján)

Eredeti címe:

Learn Unity ML - Agents - Fundamentals of Unity Machine Learning

Könyv tartalma:

A játékok környezetekké alakítása a gépi tanulás és a mélytanulás segítségével a Tensorflow, a Keras és a Unity segítségével Főbb jellemzők Megtanulja, hogyan alkalmazza az alapvető gépi tanulási koncepciókat a játékaiban a Unityvel Megtanulja a megerősítő tanulás és a Q-tanulás alapjait, és alkalmazza őket a játékaiban Megtanulja, hogyan építsen több aszinkron ágenst, és futtassa őket egy képzési forgatókönyvben Könyv leírása

A Unity gépi tanulási ágensek lehetővé teszik a kutatók és fejlesztők számára, hogy játékokat és szimulációkat hozzanak létre a Unity Editor segítségével, amely olyan környezetként szolgál, ahol intelligens ágensek képezhetők gépi tanulási módszerekkel egy egyszerűen használható Python API-n keresztül.

Ez a könyv a megerősítés és a Q-tanulás alapjaitól a mély rekurrens Q-hálózati ágensek építéséig vezet el, amelyek együttműködnek vagy versenyeznek egy több ágensből álló ökoszisztémában. A megerősítéses tanulás alapjaival és a problémákra való alkalmazásával fogsz kezdeni. Ezután megtanulod, hogyan lehet Python és Keras/TensorFlow segítségével öntanuló, fejlett neurális hálózatokat építeni. Innen haladsz o n a fejlettebb képzési forgatókönyvek felé, ahol további innovatív módszereket tanulsz meg a hálózatod képzésére A3C, utánzás és tananyagtanulási modellekkel. A könyv végére megtanulja, hogyan lehet összetettebb környezeteket építeni egy kooperatív és versenyképes multiágens ökoszisztéma kiépítésével. Amit tanulni fogsz Fejlődjön a megerősítés és a mély megerősítéses tanulás a játékokhoz. Megérti a megerősítéses tanulás és a neurális hálózatok komplex és fejlett fogalmait Megismeri a különböző képzési stratégiákat a kooperatív és kompetitív ágensek fejlesztéséhez Az Academy, az Agent és az Brain alapvető szkriptkomponenseit a Q Learninggel való használathoz igazítja. A Q Learning modell továbbfejlesztett képzési stratégiákkal, például a Greedy-Epsilon felfedezéssel bővítse a Q Learning modellt Egy egyszerű NN megvalósítása Keras segítségével és külső agyként való használata a Unityben Értse meg, hogyan adhat LTSM blokkokat egy meglévő DQN-hez Több aszinkron ágens létrehozása és futtatása egy képzési forgatókönyvben Kinek szól ez a könyv?

Ez a könyv azoknak a fejlesztőknek szól, akik érdeklődnek a gépi tanulási algoritmusok használata iránt, hogy jobb játékokat és szimulációkat fejlesszenek a Unityvel. Tartalomjegyzék A gépi tanulás és az ML-ügynökök bemutatása A bandita és a megerősítéses tanulás Mély megerősítéses tanulás Pythonnal Ügynöki felfedezés és memória hozzáadása A játék játéka Terrarium Revisited - Egy többügynökös ökoszisztéma felépítése