Cantitate/Preț
Produs
Total produse
Vezi coșul
Deep Reinforcement Learning in Unity de Abhilash Majumder

Deep Reinforcement Learning in Unity

Autor Abhilash Majumder
en Limba Engleză Paperback – 27 dec 2020

Actualizarea majoră pe care o aduce Deep Reinforcement Learning in Unity față de resursele introductive standard constă în integrarea profundă a ecosistemului de inteligență artificială Python cu mediul de dezvoltare C#. Remarcăm o tranziție tehnică riguroasă de la algoritmii clasici bazați pe stări la arhitecturi complexe de deep learning, oferind soluții concrete pentru dezvoltarea agenților autonomi în medii de joc dinamice. Reținem că autorul nu se limitează la utilizarea uneltelor preexistente, ci ghidează cititorul în scrierea de cod C# personalizat pentru funcții de politică și valoare. Pe linia practică a volumului Introduction to Unity ML-Agents, dar cu focus pe implementarea matematică și arhitecturală a rețelelor neuronale, această lucrare detaliază configurarea bibliotecilor Tensorflow și Keras special pentru antrenarea creierelor artificiale (Agent Brain). Structura este organizată logic în șapte capitole, începând cu bazele teoretice ale proceselor Markov și evoluând rapid spre concepte aplicate de navigare și mesh-uri. Ultimele secțiuni sunt dedicate exclusiv optimizării hiper-parametrilor și arhitecturii Brain-Academy, esențiale pentru simulări la scară largă. Putem afirma că volumul excelează în explicarea diferențelor dintre algoritmii on-policy și off-policy, oferind implementări pentru variantele Actor-Critic și gradient de politică. Față de Hands-On Reinforcement Learning with Python, care rămâne în sfera generală a limbajului Python, Abhilash Majumder ancorează fiecare concept în contextul Unity, explicând interfața API Python-C# necesară pentru antrenarea în timp real. Este un instrument tehnic care transformă teoria abstractă a învățării prin recompense în sisteme funcționale de inteligență artificială pentru jocuri video.

Citește tot Restrânge

Preț: 37930 lei

Preț vechi: 47413 lei
-20%

Puncte Express: 569

Carte disponibilă

Livrare economică 30 mai-13 iunie

 Adaugă în coș

Wish list
Gift list
Am citit!
Adaugă în listă

Specificații

ISBN-13: 9781484265024
ISBN-10: 1484265025
Pagini: 564
Ilustrații: XVIII, 564 p. 207 illus.
Dimensiuni: 178 x 254 x 31 mm
Greutate: 1.08 kg
Ediția:1st ed.
Editura: Apress
Locul publicării:Berkeley, CA, United States

De ce să citești această carte

Recomandăm această carte dezvoltatorilor Unity care doresc să depășească scriptarea tradițională a comportamentelor AI și să implementeze sisteme de învățare automată. Veți câștiga expertiză în utilizarea Unity ML-Agents și Tensorflow pentru a crea agenți capabili să învețe singuri în medii complexe. Este resursa ideală pentru a înțelege cum să antrenați, să optimizați și să integrați rețele neuronale direct în proiectele voastre de jocuri.

Despre autor

Abhilash Majumder este un specialist în inteligență artificială și dezvoltare software, recunoscut pentru expertiza sa în aplicarea algoritmilor de Deep Reinforcement Learning în medii de simulare 3D. Cu o experiență solidă în utilizarea ecosistemului Python pentru machine learning și a motorului Unity pentru dezvoltarea jocurilor, Majumder s-a concentrat pe crearea de punți tehnice între aceste două lumi. Contribuțiile sale vizează eficientizarea antrenării agenților autonomi, fiind un promotor al utilizării kitului ML-Agents în proiecte comerciale și de cercetare.

Descriere scurtă

Gain an in-depth overview of reinforcement learning for autonomous agents in game development with Unity.
This book starts with an introduction to state-based reinforcement learning algorithms involving Markov models, Bellman equations, and writing custom C# code with the aim of contrasting value and policy-based functions in reinforcement learning. Then, you will move on to path finding and navigation meshes in Unity, setting up the ML Agents Toolkit (including how to install and set up ML agents from the GitHub repository), and installing fundamental machine learning libraries and frameworks (such as Tensorflow). You will learn about: deep learning and work through an introduction to Tensorflow for writing neural networks (including perceptron, convolution, and LSTM networks), Q learning with Unity ML agents, and porting trained neural network models in Unity through the Python-C# API. You will also explore the OpenAI Gym Environment used throughout the book.
Deep Reinforcement Learning in Unity provides a walk-through of the core fundamentals of deep reinforcement learning algorithms, especially variants of the value estimation, advantage, and policy gradient algorithms (including the differences between on and off policy algorithms in reinforcement learning). These core algorithms include actor critic, proximal policy, and deep deterministic policy gradients and its variants. And you will be able to write custom neural networks using the Tensorflow and Keras frameworks.
Deep learning in games makes the agents learn how they can perform better and collect their rewards in adverse environments without user interference. The book provides a thorough overview of integrating ML Agents with Unity for deep reinforcement learning.



What You Will Learn
  • Understand how deep reinforcement learning works in games
  • Grasp the fundamentals of deep reinforcement learning 
  • Integrate these fundamentals with the Unity ML Toolkit SDK
  • Gain insights into practical neural networks for training Agent Brain in the context of Unity ML Agents
  • Create different models and perform hyper-parameter tuning
  • Understand the Brain-Academy architecture in Unity ML Agents
  • Understand the Python-C# API interface during real-time training of neural networks
  • Grasp the fundamentals of generic neural networks and their variants using Tensorflow
  • Create simulations and visualize agents playing games in Unity


Who This Book Is For
Readers with preliminary programming and game development experience in Unity, and those with experience in Python and a general idea of machine learning

Cuprins

Chapter 1: Introduction to Reinforcement Learning.- Chapter 2: Path Finding and Navigation.- Chapter 3: Setting Up ML Agents Toolkit.- Chapter 4: Understanding Brain Agents and Academy.- Chapter 5: Deep Reinforcement Learning.- Chapter 6: Competitive Networks for AI Agents.- Chapter 7: Case Studies in ML Agents.

Notă biografică

Abhilash Majumder is a natural language processing research engineer for HSBC (UK/India) and technical mentor for Udactiy (ML). He also has been associated with Unity Technologies and was a speaker at Unite India-18, and has educated close to 1,000 students from EMEA and SEPAC (India) on Unity. He is an ML contributor and curator for Open Source Google Research and Tensorflow, and creator of ML libraries under Python Package Index (Pypi). He is an online educationalist for Udemy and a deep learning mentor for Upgrad.
Abhilash was an apprentice/student ambassador for Unity Technologies where he educated corporate employees and students on using general Unity for game development. He was a technical mentor (AI programming) for the Unity Ambassadors Community and Content Production. He has been associated with Unity Technologies for general education, with an emphasis on graphics and machine learning. He is one of the first content creators for Unity Technologies India since 2017.


Caracteristici

Contains a descriptive view of the core reinforcement learning algorithms involving Unity ML Agents and how they can be leveraged in games to AI create agents Covers autonomous driving AI with modeled neural networks Provides a thorough overview of integrating ML Agents with Unity for deep reinforcement learning