کتاب ساخت بازی با یادگیری تقویتی
, ,

کتاب ساخت بازی با یادگیری تقویتی

تومان249,950

انتخاب پلن

torobpay
هر قسط با ترب‌پی: تومان62,488
۴ قسط ماهانه. بدون سود، چک و ضامن.
شناسه محصول: SuperCourse-0000006298 دسته: , , برچسب: , , , , , , , , , , , , , ,

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

📚 کتاب آموزشی جامع

📚 اطلاعات کتاب

عنوان کتاب: کتاب ساخت بازی با یادگیری تقویتی

موضوع کلی: برنامه نویسی

موضوع میانی: یادگیری عمیق (Deep Learning)

📋 سرفصل‌های کتاب (100 موضوع)

  • 1. معرفی دوره: ساخت بازی با یادگیری تقویتی
  • 2. مروری بر اصول برنامه‌نویسی پایتون برای هوش مصنوعی
  • 3. نصب و راه‌اندازی محیط توسعه (کتابخانه‌های NumPy, SciPy, Matplotlib)
  • 4. مقدمه‌ای بر ریاضیات یادگیری ماشین: جبر خطی کاربردی
  • 5. مقدمه‌ای بر ریاضیات یادگیری ماشین: حسابان کاربردی
  • 6. مقدمه‌ای بر ریاضیات یادگیری ماشین: آمار و احتمال
  • 7. مقدمه‌ای بر یادگیری ماشین: نظارت‌شده و نظارت‌نشده
  • 8. مفاهیم پایه هوش مصنوعی در بازی‌ها
  • 9. مقدمه‌ای بر یادگیری تقویتی: چرا و چگونه
  • 10. اجزای اصلی یادگیری تقویتی: عامل، محیط، حالت، عمل، پاداش
  • 11. مفهوم سیاست (Policy) و تابع ارزش (Value Function)
  • 12. فرآیندهای تصمیم‌گیری مارکوف (MDPs)
  • 13. معادلات بلومن (Bellman Equations) و کاربردها
  • 14. تعادل بین اکتشاف و بهره‌برداری (Exploration vs. Exploitation)
  • 15. محیط‌های شبیه‌سازی برای یادگیری تقویتی (مثل OpenAI Gym)
  • 16. برنامه‌ریزی دینامیک: تکرار سیاست (Policy Iteration)
  • 17. برنامه‌ریزی دینامیک: تکرار ارزش (Value Iteration)
  • 18. یادگیری مونت کارلو (Monte Carlo Learning) برای پیش‌بینی ارزش
  • 19. یادگیری مونت کارلو برای کنترل: SARSA
  • 20. یادگیری تفاوت زمانی (Temporal Difference Learning)
  • 21. الگوریتم SARSA: On-Policy TD Control
  • 22. الگوریتم Q-Learning: Off-Policy TD Control
  • 23. جدول Q (Q-Table) و محدودیت‌های آن
  • 24. تخمین تابع ارزش با توابع پایه (Feature Engineering)
  • 25. معرفی توابع تقریب ارزش (Value Function Approximation)
  • 26. کدنویسی Q-Learning در یک محیط ساده (Gridworld)
  • 27. Q-Learning با Epsilon-Greedy Policy
  • 28. مقایسه SARSA و Q-Learning
  • 29. کنترل در محیط‌های پیوسته (Continuous Control) – مقدماتی
  • 30. معرفی مشکل Curse of Dimensionality
  • 31. مروری بر یادگیری عمیق و شبکه‌های عصبی
  • 32. نورون‌های مصنوعی و مدل پرسپترون
  • 33. شبکه عصبی چند لایه (Multi-Layer Perceptron – MLP)
  • 34. توابع فعال‌سازی (Activation Functions) و انواع آن‌ها
  • 35. تابع هزینه (Loss Function) و مفهوم بهینه‌سازی
  • 36. گرادیان کاهشی (Gradient Descent) و انواع آن
  • 37. پس‌انتشار (Backpropagation) و چگونگی یادگیری شبکه
  • 38. بهینه‌سازها (Optimizers): SGD, Adam, RMSprop
  • 39. معرفی کتابخانه TensorFlow/PyTorch برای یادگیری عمیق
  • 40. ساخت اولین شبکه عصبی با TensorFlow/PyTorch
  • 41. پردازش داده‌های تصویری: معرفی شبکه‌های عصبی پیچشی (CNN)
  • 42. لایه‌های پیچشی (Convolutional Layers) و پولینگ (Pooling Layers)
  • 43. معماری‌های رایج CNN برای بینایی ماشین
  • 44. استفاده از CNN برای استخراج ویژگی از حالت‌های بصری بازی
  • 45. شبکه‌های عصبی بازگشتی (Recurrent Neural Networks – RNN) – مقدماتی
  • 46. واحدهای LSTM و GRU برای حافظه بلندمدت
  • 47. معماری Encoder-Decoder
  • 48. تنظیم ابرپارامترها (Hyperparameter Tuning) در شبکه‌های عصبی
  • 49. تکنیک‌های رگولاریزاسیون (Regularization): Dropout, L1/L2
  • 50. پیشگیری از بیش‌برازش (Overfitting) و کم‌برازش (Underfitting)
  • 51. ترکیب یادگیری عمیق و یادگیری تقویتی: Deep RL
  • 52. معرفی شبکه‌های Q عمیق (Deep Q-Networks – DQN)
  • 53. معماری DQN برای بازی‌های آتاری
  • 54. تجربه بازپخش (Experience Replay) برای پایداری یادگیری
  • 55. شبکه‌های هدف (Target Networks) برای تثبیت یادگیری
  • 56. پیاده‌سازی DQN از ابتدا
  • 57. DQN دوگانه (Double DQN) برای کاهش بیش‌برآورد
  • 58. DQN دوئل (Dueling DQN) برای جداسازی ارزش و برتری
  • 59. بازپخش تجربه با اولویت (Prioritized Experience Replay – PER)
  • 60. روش‌های گرادیان سیاست (Policy Gradient Methods)
  • 61. الگوریتم REINFORCE (Monte Carlo Policy Gradient)
  • 62. توابع تقریب برای سیاست و ارزش (Actor-Critic Framework)
  • 63. معرفی الگوریتم A2C (Advantage Actor-Critic)
  • 64. معرفی الگوریتم A3C (Asynchronous Advantage Actor-Critic)
  • 65. پیاده‌سازی A2C در یک محیط بازی ساده
  • 66. مشکل ناپایداری در گرادیان سیاست
  • 67. روش‌های اطمینان‌بخش گرادیان سیاست (Trust Region Policy Optimization – TRPO) – مقدماتی
  • 68. بهینه‌سازی سیاست پروگزیمال (Proximal Policy Optimization – PPO)
  • 69. پیاده‌سازی PPO برای کنترل کاراکتر بازی
  • 70. یادگیری تقویتی تعیین‌گر عمیق (Deep Deterministic Policy Gradient – DDPG)
  • 71. DDPG برای فضاهای عمل پیوسته
  • 72. DDPG با شبکه‌های هدف و بافر بازپخش
  • 73. TD3 (Twin Delayed DDPG) برای بهبود پایداری DDPG
  • 74. SAC (Soft Actor-Critic) برای اکتشاف بهتر و پایداری
  • 75. مقایسه و انتخاب الگوریتم DRL مناسب برای سناریوهای مختلف
  • 76. طراحی محیط‌های بازی برای یادگیری تقویتی: اصول
  • 77. تعریف حالت‌های بازی (Game States) و تبدیل به ورودی شبکه
  • 78. تعریف فضاهای عمل (Action Spaces) در بازی‌ها
  • 79. مهندسی پاداش (Reward Shaping): هنر تعیین پاداش‌ها
  • 80. مدل‌سازی محیط بازی با کتابخانه OpenAI Gym
  • 81. ساخت محیط بازی سفارشی با Pygame برای RL
  • 82. معرفی Unity ML-Agents برای ساخت بازی با RL
  • 83. آموزش عامل‌های RL در محیط Unity
  • 84. یادگیری تقویتی چندعامله (Multi-Agent RL – MARL) در بازی‌ها
  • 85. چالش‌ها در MARL: ناپایداری و تعاملات پیچیده
  • 86. معرفی الگوریتم‌های MARL برای بازی‌ها (مثل MADDPG)
  • 87. بازی‌های همکاری‌گرایانه و رقابتی با MARL
  • 88. بهینه‌سازی عملکرد عامل‌های RL در بازی‌های پیچیده
  • 89. تکنیک‌های یادگیری انتقالی (Transfer Learning) در RL برای بازی‌ها
  • 90. یادگیری از تظاهرات (Learning from Demonstrations – LfD) / Imitation Learning
  • 91. استفاده از یادگیری تقویتی برای تولید محتوای رویه‌ای (Procedural Content Generation)
  • 92. ایجاد هوش مصنوعی دشمنان پویا و سازگار با RL
  • 93. تست و ارزیابی عامل‌های یادگیری تقویتی در بازی
  • 94. معیارهای ارزیابی عملکرد عامل RL
  • 95. اشکال‌زدایی و رفع خطاهای رایج در DRL
  • 96. تنظیم پیشرفته ابرپارامترها برای DRL
  • 97. موردکاوی: آموزش عامل برای بازی Flappy Bird
  • 98. موردکاوی: آموزش عامل برای یک بازی استراتژیک ساده
  • 99. مروری بر چالش‌ها و روندهای آینده در ساخت بازی با RL
  • 100. پروژه‌ی نهایی: ساخت یک بازی کوچک با AI مبتنی بر DRL

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

دیدگاهها

هیچ دیدگاهی برای این محصول نوشته نشده است.

اولین نفری باشید که دیدگاهی را ارسال می کنید برای “کتاب ساخت بازی با یادگیری تقویتی”

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

محصولات مشابه

پیمایش به بالا