Bewertung:
Das Buch hat negatives Feedback erhalten, weil es an klaren Erklärungen mangelt, insbesondere in den Kapiteln, die sich mit den ML-Agents-Beispielen befassen. Viele Leser fanden es frustrierend, vor allem wenn sie versuchten, die Beispiele unter Windows zu implementieren, und sie sind der Meinung, dass der Inhalt im Vergleich zu den online verfügbaren kostenlosen Ressourcen keinen Mehrwert bietet.
Vorteile:Einige Leser erwähnten, dass die bereitgestellten Informationen in Bezug auf die Theorie großartig waren.
Nachteile:In mehreren Rezensionen wurde hervorgehoben, dass es den Kapiteln an guten Erklärungen mangelte und die Beispiele schwer zu implementieren waren, insbesondere unter Windows. Außerdem waren einige der Meinung, dass das Buch lediglich kostenlose Unity-Tutorials dupliziert, ohne einen wesentlichen Mehrwert zu bieten.
(basierend auf 4 Leserbewertungen)
Learn Unity ML - Agents - Fundamentals of Unity Machine Learning
Verwandeln Sie Spiele in Umgebungen mit maschinellem Lernen und Deep Learning mit Tensorflow, Keras und Unity Hauptmerkmale Lernen Sie, wie Sie zentrale Konzepte des maschinellen Lernens auf Ihre Spiele mit Unity anwenden Lernen Sie die Grundlagen des Reinforcement Learning und Q-Learning und wenden Sie sie auf Ihre Spiele an Lernen Sie, wie Sie mehrere asynchrone Agenten erstellen und sie in einem Trainingsszenario ausführen Buchbeschreibung
Unity Machine Learning Agenten ermöglichen es Forschern und Entwicklern, Spiele und Simulationen mit dem Unity Editor zu erstellen, der als Umgebung dient, in der intelligente Agenten mit Methoden des maschinellen Lernens über eine einfach zu verwendende Python-API trainiert werden können.
Dieses Buch führt Sie von den Grundlagen des Reinforcement und Q-Learning zum Aufbau von Deep Recurrent Q-Network Agenten, die in einem Multi-Agenten-Ökosystem kooperieren oder konkurrieren. Sie werden mit den Grundlagen des Reinforcement Learning beginnen und lernen, wie man es auf Probleme anwendet. Dann lernen Sie, wie Sie selbstlernende fortgeschrittene neuronale Netze mit Python und Keras/TensorFlow aufbauen. Von dort aus gehen Sie zu fortgeschritteneren Trainingsszenarien über, in denen Sie weitere innovative Möglichkeiten zum Trainieren Ihres Netzes mit A3C-, Imitations- und Curriculum-Learning-Modellen kennenlernen werden. Am Ende des Buches werden Sie gelernt haben, wie Sie komplexere Umgebungen aufbauen können, indem Sie ein kooperatives und wettbewerbsfähiges Multi-Agenten-Ökosystem aufbauen. Was Sie lernen werden Entwickeln Sie Reinforcement und Deep Reinforcement Learning für Spiele. Komplexe und fortgeschrittene Konzepte des Reinforcement Learning und neuronaler Netze verstehen Verschiedene Trainingsstrategien für die Entwicklung kooperativer und kompetitiver Agenten erkunden Die grundlegenden Skriptkomponenten von Academy, Agent und Brain für die Verwendung mit Q Learning anpassen. Das Q Learning-Modell mit verbesserten Trainingsstrategien wie Greedy-Epsilon-Exploration erweitern Ein einfaches NN mit Keras implementieren und als externes Gehirn in Unity verwenden Verstehen, wie man LTSM-Blöcke zu einem bestehenden DQN hinzufügt Mehrere asynchrone Agenten erstellen und in einem Trainingsszenario ausführen Für wen dieses Buch ist
Dieses Buch richtet sich an Entwickler, die Interesse an der Verwendung von Algorithmen des maschinellen Lernens haben, um bessere Spiele und Simulationen mit Unity zu entwickeln. Inhaltsverzeichnis Einführung in das maschinelle Lernen und ML-Agenten Der Bandit und das Verstärkungslernen Tiefes Verstärkungslernen mit Python Hinzufügen von Agentenexploration und Gedächtnis Spielen des Spiels Terrarium Revisited - Aufbau eines Multi-Agenten-Ökosystems
| ISBN: | 9781789138139 |
| Autor: | |
| Verlag: | |
| Sprache: | Englisch |
| Einband: | Taschenbuch |
Derzeit verfügbar, auf Lager.
