Ocena:
Książka otrzymała negatywne opinie ze względu na brak jasnych wyjaśnień, szczególnie w rozdziałach dotyczących przykładów ML-Agents. Wielu czytelników uznało to za frustrujące, zwłaszcza podczas próby implementacji przykładów w systemie Windows, i uważają, że treść nie zapewnia wartości w porównaniu z bezpłatnymi zasobami dostępnymi online.
Zalety:Niektórzy czytelnicy wspomnieli, że dostarczone informacje były świetne pod względem teorii.
Wady:W kilku recenzjach podkreślono, że w rozdziałach brakowało dobrych wyjaśnień, a przykłady były trudne do zaimplementowania, zwłaszcza w systemie Windows. Dodatkowo, niektórzy uważali, że książka jedynie powiela darmowe tutoriale Unity, nie wnosząc do nich żadnej istotnej wartości.
(na podstawie 4 opinii czytelników)
Learn Unity ML - Agents - Fundamentals of Unity Machine Learning
Przekształć gry w środowiska wykorzystujące uczenie maszynowe i głębokie uczenie z Tensorflow, Keras i Unity Kluczowe cechy Dowiedz się, jak zastosować podstawowe koncepcje uczenia maszynowego w swoich grach z Unity Poznaj podstawy uczenia wzmacniającego i uczenia Q i zastosuj je w swoich grach Dowiedz się, jak zbudować wielu asynchronicznych agentów i uruchomić je w scenariuszu szkoleniowym Opis książki
Agenci Unity Machine Learning pozwalają badaczom i programistom tworzyć gry i symulacje przy użyciu edytora Unity, który służy jako środowisko, w którym inteligentni agenci mogą być szkoleni za pomocą metod uczenia maszynowego za pomocą prostego w użyciu interfejsu API Python.
Ta książka poprowadzi Cię od podstaw Reinforcement i Q Learning do budowania agentów Deep Recurrent Q-Network, którzy współpracują lub konkurują w ekosystemie wielu agentów. Zaczniesz od podstaw uczenia ze wzmocnieniem i tego, jak zastosować je do rozwiązywania problemów. Następnie dowiesz się, jak budować samouczące się zaawansowane sieci neuronowe za pomocą Pythona i Keras/TensorFlow. Stamtąd przejdziesz do bardziej zaawansowanych scenariuszy szkoleniowych, w których poznasz dalsze innowacyjne sposoby trenowania sieci za pomocą modeli A3C, imitacji i uczenia programowego. Pod koniec książki dowiesz się, jak tworzyć bardziej złożone środowiska, budując współpracujący i konkurencyjny ekosystem wieloagentowy. Czego się nauczysz Rozwijaj uczenie ze wzmocnieniem i głębokie uczenie ze wzmocnieniem dla gier. Zrozumieć złożone i zaawansowane koncepcje uczenia ze wzmocnieniem i sieci neuronowych Zbadać różne strategie szkoleniowe dla rozwoju agentów współpracujących i konkurencyjnych Dostosować podstawowe komponenty skryptów Academy, Agent i Brain do użycia z Q Learning. Ulepsz model Q Learning za pomocą ulepszonych strategii treningowych, takich jak eksploracja Greedy-Epsilon Zaimplementuj prostą sieć neuronową za pomocą Keras i użyj jej jako zewnętrznego mózgu w Unity Dowiedz się, jak dodać bloki LTSM do istniejącej sieci DQN Zbuduj wielu agentów asynchronicznych i uruchom je w scenariuszu treningowym Dla kogo jest ta książka?
Ta książka jest przeznaczona dla programistów zainteresowanych wykorzystaniem algorytmów uczenia maszynowego do tworzenia lepszych gier i symulacji w Unity. Spis treści Wprowadzenie do uczenia maszynowego i agentów ML Bandyta i uczenie ze wzmocnieniem Głębokie uczenie ze wzmocnieniem z Pythonem Dodawanie eksploracji agentów i pamięci Granie w grę Terrarium Revisited - Budowanie ekosystemu złożonego z wielu agentów
© Book1 Group - wszelkie prawa zastrzeżone.
Zawartość tej strony nie może być kopiowana ani wykorzystywana w całości lub w części bez pisemnej zgody właściciela.
Ostatnia aktualizacja: 2024.11.13 21:45 (GMT)