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, 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. Idioma : Inglés (eng) Palabras clave: Juegos de computadora  Inteligencia artificial  Desarrollo de juegos Clasificación: 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. Tipo de medio : Computadora Summary : 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. You will: 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. Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Deep Reinforcement Learning in Unity : With Unity ML Toolkit [documento electrónico] / Majumder, Abhilash,  . -  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. Idioma : Inglés (eng) Palabras clave: Juegos de computadora  Inteligencia artificial  Desarrollo de juegos Clasificación: 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. Tipo de medio : Computadora Summary : 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. You will: 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. Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...]

---

1 (1 - 1 / 1) Ver por página : 25 50 100 200