Deep Reinforcement Learning in Unity / Majumder, Abhilash  

Público ISBD Ningún comentario para este registro. Título : Deep Reinforcement Learning in Unity : With Unity ML Toolkit Tipo de documento: documento electrónico Autores: Majumder, Abhilash, Autor Mención de edición: 1 ed. Editorial: Berkeley, CA : Apress Fecha de publicación: 2021 Número de páginas: XVIII, 564 p. 207 ilustraciones ISBN/ISSN/DL: 978-1-4842-6503-1 Nota general: Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Palabras clave: Juegos de computadora  Inteligencia artificial  Desarrollo de juegos Índice Dewey: 794.815 Resumen: Obtenga una descripción general detallada del aprendizaje por refuerzo para agentes autónomos en el desarrollo de juegos con Unity. Este libro comienza con una introducción a los algoritmos de aprendizaje por refuerzo basados ​​en estados que involucran modelos de Markov, ecuaciones de Bellman y la escritura de código C# personalizado con el objetivo de contrastar funciones basadas en valores y políticas en el aprendizaje por refuerzo. Luego, pasará a buscar rutas y mallas de navegación en Unity, configurará el kit de herramientas de agentes de ML (incluido cómo instalar y configurar agentes de ML desde el repositorio de GitHub) e instalará bibliotecas y marcos de aprendizaje automático fundamentales (como Tensorflow). . Aprenderá sobre: ​​aprendizaje profundo y trabajo a través de una introducción a Tensorflow para escribir redes neuronales (incluidas redes de perceptrón, convolución y LSTM), aprendizaje Q con agentes Unity ML y portabilidad de modelos de redes neuronales entrenados en Unity a través de la API Python-C#. . También explorará el entorno de gimnasio OpenAI utilizado a lo largo del libro. El aprendizaje por refuerzo profundo en Unity proporciona un recorrido por los fundamentos básicos de los algoritmos de aprendizaje por refuerzo profundo, especialmente las variantes de los algoritmos de estimación de valor, ventaja y gradiente de políticas (incluidas las diferencias entre algoritmos de políticas activas y desactivadas en el aprendizaje por refuerzo). Estos algoritmos centrales incluyen la crítica del actor, la política proximal y gradientes de política deterministas profundos y sus variantes. Y podrá escribir redes neuronales personalizadas utilizando los marcos Tensorflow y Keras. El aprendizaje profundo en los juegos hace que los agentes aprendan cómo pueden desempeñarse mejor y cobrar sus recompensas en entornos adversos sin la interferencia del usuario. El libro proporciona una descripción detallada de la integración de agentes de aprendizaje automático con Unity para un aprendizaje por refuerzo profundo. Usted: Comprenderá cómo funciona el aprendizaje por refuerzo profundo en los juegos. Comprenderá los fundamentos del aprendizaje por refuerzo profundo. Integrará estos fundamentos con el SDK de Unity ML Toolkit. Obtendrá información sobre redes neuronales prácticas para entrenar Agent Brain en el contexto de Unity ML Agents. Creará diferentes modelos y realizará hiper -ajuste de parámetros Comprender la arquitectura Brain-Academy en Unity ML Agents Comprender la interfaz API Python-C# durante el entrenamiento en tiempo real de redes neuronales Comprender los fundamentos de las redes neuronales genéricas y sus variantes usando Tensorflow Crear simulaciones y visualizar agentes jugando en Unity. Nota de contenido: 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. En línea: https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Link: https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i Deep Reinforcement Learning in Unity : With Unity ML Toolkit [documento electrónico] / Majumder, Abhilash, Autor  . -  1 ed.  . - Berkeley, CA : Apress, 2021 . - XVIII, 564 p. 207 ilustraciones. ISBN : 978-1-4842-6503-1 Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Palabras clave: Juegos de computadora  Inteligencia artificial  Desarrollo de juegos Índice Dewey: 794.815 Resumen: Obtenga una descripción general detallada del aprendizaje por refuerzo para agentes autónomos en el desarrollo de juegos con Unity. Este libro comienza con una introducción a los algoritmos de aprendizaje por refuerzo basados ​​en estados que involucran modelos de Markov, ecuaciones de Bellman y la escritura de código C# personalizado con el objetivo de contrastar funciones basadas en valores y políticas en el aprendizaje por refuerzo. Luego, pasará a buscar rutas y mallas de navegación en Unity, configurará el kit de herramientas de agentes de ML (incluido cómo instalar y configurar agentes de ML desde el repositorio de GitHub) e instalará bibliotecas y marcos de aprendizaje automático fundamentales (como Tensorflow). . Aprenderá sobre: ​​aprendizaje profundo y trabajo a través de una introducción a Tensorflow para escribir redes neuronales (incluidas redes de perceptrón, convolución y LSTM), aprendizaje Q con agentes Unity ML y portabilidad de modelos de redes neuronales entrenados en Unity a través de la API Python-C#. . También explorará el entorno de gimnasio OpenAI utilizado a lo largo del libro. El aprendizaje por refuerzo profundo en Unity proporciona un recorrido por los fundamentos básicos de los algoritmos de aprendizaje por refuerzo profundo, especialmente las variantes de los algoritmos de estimación de valor, ventaja y gradiente de políticas (incluidas las diferencias entre algoritmos de políticas activas y desactivadas en el aprendizaje por refuerzo). Estos algoritmos centrales incluyen la crítica del actor, la política proximal y gradientes de política deterministas profundos y sus variantes. Y podrá escribir redes neuronales personalizadas utilizando los marcos Tensorflow y Keras. El aprendizaje profundo en los juegos hace que los agentes aprendan cómo pueden desempeñarse mejor y cobrar sus recompensas en entornos adversos sin la interferencia del usuario. El libro proporciona una descripción detallada de la integración de agentes de aprendizaje automático con Unity para un aprendizaje por refuerzo profundo. Usted: Comprenderá cómo funciona el aprendizaje por refuerzo profundo en los juegos. Comprenderá los fundamentos del aprendizaje por refuerzo profundo. Integrará estos fundamentos con el SDK de Unity ML Toolkit. Obtendrá información sobre redes neuronales prácticas para entrenar Agent Brain en el contexto de Unity ML Agents. Creará diferentes modelos y realizará hiper -ajuste de parámetros Comprender la arquitectura Brain-Academy en Unity ML Agents Comprender la interfaz API Python-C# durante el entrenamiento en tiempo real de redes neuronales Comprender los fundamentos de las redes neuronales genéricas y sus variantes usando Tensorflow Crear simulaciones y visualizar agentes jugando en Unity. Nota de contenido: 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. En línea: https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Link: https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i

---

1 (1 - 1 / 1) Par page : 25 50 100 200