Hodnotenie:
Kniha získala negatívne ohlasy kvôli nedostatočne zrozumiteľným vysvetleniam, najmä v kapitolách, ktoré sa zaoberajú príkladmi ML-Agentov. Mnohí čitatelia ju považovali za frustrujúcu, najmä keď sa snažili implementovať príklady v systéme Windows, a majú pocit, že obsah neposkytuje hodnotu v porovnaní s bezplatnými zdrojmi dostupnými online.
Výhody:Niektorí čitatelia uviedli, že poskytnuté informácie sú z hľadiska teórie skvelé.
Nevýhody:Niekoľko recenzií zdôraznilo, že kapitolám chýbajú dobré vysvetlenia a príklady sa ťažko implementujú, najmä v systéme Windows. Okrem toho mali niektorí pocit, že kniha len kopíruje bezplatné výukové materiály Unity bez toho, aby priniesla podstatnú pridanú hodnotu.
(na základe 4 čitateľských recenzií)
Learn Unity ML - Agents - Fundamentals of Unity Machine Learning
Transformujte hry do prostredia pomocou strojového učenia a hlbokého učenia s Tensorflow, Keras a Unity Kľúčové vlastnosti Naučte sa, ako aplikovať základné koncepty strojového učenia na svoje hry s Unity Naučte sa základy Reinforcement Learning a Q-Learning a aplikujte ich na svoje hry Naučte sa, ako vytvoriť viacero asynchrónnych agentov a spustiť ich v tréningovom scenári Popis knihy
Agenti strojového učenia v Unity umožňujú výskumníkom a vývojárom vytvárať hry a simulácie pomocou editora Unity, ktorý slúži ako prostredie, v ktorom možno trénovať inteligentných agentov pomocou metód strojového učenia prostredníctvom jednoducho použiteľného rozhrania API jazyka Python.
Táto kniha vás prevedie od základov posilňovania a Q učenia až po budovanie hlbokých rekurentných agentov Q-Network, ktorí spolupracujú alebo súťažia v ekosystéme viacerých agentov. Začnete so základmi Reinforcement Learning a s tým, ako ho aplikovať na problémy. Potom sa naučíte, ako budovať samoučiace sa pokročilé neurónové siete pomocou Pythonu a Keras/TensorFlow. Odtiaľ sa presuniete k pokročilejším tréningovým scenárom, kde sa naučíte ďalšie inovatívne spôsoby trénovania siete pomocou modelov učenia A3C, imitácie a kurikula. Na konci knihy sa naučíte vytvárať zložitejšie prostredia budovaním kooperatívneho a konkurenčného ekosystému viacerých agentov. Čo sa naučíte Rozvíjať posilňovanie a hlboké posilňovanie učenia pre hry. Pochopiť komplexné a pokročilé koncepty posilňovacieho učenia a neurónových sietí Preskúmať rôzne stratégie trénovania na vývoj kooperatívnych a súťažných agentov Prispôsobiť základné komponenty skriptov Academy, Agent a Brain na použitie s Q Learning. Vylepšite model Q Learning pomocou vylepšených stratégií trénovania, ako je napríklad prieskum Greedy-Epsilon Implementujte jednoduchý NN pomocou Keras a použite ho ako externý mozog v Unity Pochopte, ako pridať bloky LTSM do existujúcej DQN Vytvorte viacero asynchrónnych agentov a spustite ich v tréningovom scenári Pre koho je táto kniha určená
Táto kniha je určená pre vývojárov so záujmom o používanie algoritmov strojového učenia na vývoj lepších hier a simulácií pomocou Unity. Obsah Predstavenie strojového učenia a ML-agentov Bandita a učenie posilnením Hlboké učenie posilnením pomocou jazyka Python Pridanie prieskumu a pamäte agentov Hranie hry Terrarium Revisited - Budovanie ekosystému s viacerými agentmi
© Book1 Group - všetky práva vyhradené.
Obsah tejto stránky nesmie byť kopírovaný ani použitý čiastočne alebo v celku bez písomného súhlasu vlastníka.
Posledná úprava: 2024.11.13 22:11 (GMT)