Зарезервирован [Udemy] Learn AI Game Development using Python [ENG-RUS]

Изучите ИИ в игровой разработке на Python
"Udemy" на русском


​

Автор: Sachin Kafle

Студия: Udemy

Год: 2024

Продолжительность: 11 час 30 мин

Язык: Английский

Описание:

Искусственный интеллект (ИИ) меняет наши жизни и целые отрасли. От самоуправляемых автомобилей до персонализированных рекомендаций на стриминговых сервисах — ИИ стоит в центре новаторских технологий, формирующих будущее. Обучение с подкреплением (RL) — это важнейшая область ИИ, сосредоточенная на том, как агенты могут учиться принимать решения, взаимодействуя с окружающей средой. Этот подход особенно полезен для задач, где оптимальное решение не очевидно и должно быть найдено методом проб и ошибок.

Один из ключевых аспектов изучения ИИ и RL — это умение совмещать теоретические знания с их практическим применением. Наш курс делает акцент на практическом подходе, чтобы вы не только понимали теорию, но и умели применять её в реальных ситуациях. Через практические проекты вы сможете глубже понять, как алгоритмы ИИ решают сложные задачи и создают интеллектуальные системы.

Структура и темы курса

Динамическое программирование (DP):

- Введение в DP: Основные принципы и применение динамического программирования.

Q-обучение:

- Основы Q-обучения: Теория Q-обучения, алгоритма RL без использования моделей.

- Функция ценности и политики: Как агенты учатся сопоставлять состояния и действия для максимизации общего вознаграждения.

- Реализация: Практические проекты с использованием TensorFlow и Keras для создания и обучения агентов Q-обучения.

Глубокое Q-обучение:

- Интеграция глубокого обучения с RL: Как глубокие нейронные сети улучшают Q-обучение.

- Обработка многомерных пространств: Методы управления сложными средами и большими пространствами состояний.

- Практические проекты: Реализация моделей глубокого Q-обучения для решения более сложных задач.

Сверточное Q-обучение:

- Объединение CNN с Q-обучением: Использование сверточных нейронных сетей для обработки пространственных и визуальных данных.

- Продвинутые приложения: Применение RL в областях, где важна визуальная информация, таких как видеоигры и робототехника.

Захватывающие проекты

Чтобы применить эти концепции на практике, мы будем реализовывать ряд увлекательных проектов:

- Maze Solver: Программирование агента для поиска кратчайшего пути через лабиринт с применением принципов DP и RL.

- Mountain Car Problem: Решение классической задачи RL, где агент должен поднять автомобиль на вершину склона, используя его импульс.

- Snake Game: Разработка игры "змейка", где агент учится максимально увеличивать свою длину, избегая препятствий и эффективно перемещаясь по игровому полю.

Инструменты и библиотеки

На протяжении всего курса мы будем использовать TensorFlow и Keras для создания и обучения наших моделей. Эти библиотеки предоставляют мощную основу для разработки приложений машинного обучения, упрощая реализацию и экспериментирование с изучаемыми алгоритмами.

Спойлер: Оригинальное описание

Artificial intelligence (AI) is transforming industries and everyday life. From self-driving cars to personalized recommendations on streaming services, AI is at the heart of innovations that are shaping the future. Reinforcement learning (RL) is a pivotal area within AI that focuses on how agents can learn to make decisions by interacting with their environment. This paradigm is particularly powerful for tasks where the optimal solution is not immediately obvious and must be discovered through trial and error.

One of the most critical aspects of learning AI and reinforcement learning (RL) is the ability to bridge the gap between theoretical concepts and practical applications. This course emphasizes a hands-on approach, ensuring that you not only understand the underlying theories but also know how to implement them in real-world scenarios. By working on practical projects, you will develop a deeper comprehension of how AI algorithms can solve complex problems and create intelligent systems.

Course Structure and Topics

Dynamic Programming (DP):

Introduction to DP: Understand the basic principles and applications of dynamic programming.

Q-learning:

Fundamentals of Q-learning: Learn the theory behind Q-learning, a model-free RL algorithm.

Value Function and Policies: Understand how agents learn to map states to actions to maximize cumulative reward.

Implementation: Hands-on projects using TensorFlow and Keras to build and train Q-learning agents.

Deep Q-learning:

Integrating Deep Learning with RL: Learn how deep neural networks can enhance Q-learning.

Handling High-dimensional Spaces: Techniques to manage complex environments and large state spaces.

Practical Projects: Implement deep Q-learning models to solve more sophisticated problems.

Convolutional Q-learning:

Combining CNNs with Q-learning: Utilize convolutional neural networks to process spatial and visual data.

Advanced Applications: Implement RL in environments where visual perception is crucial, such as video games and robotics.

Exciting Projects

To bring these concepts to life, we'll be implementing a series of exciting projects:

Maze Solver: Program an agent to find the shortest path through a maze, applying principles of DP and RL.

Mountain Car Problem: Tackle this classic RL challenge where an agent must drive a car up a steep hill using momentum.

Snake Game: Develop a snake game where the agent learns to maximize its length while avoiding obstacles and navigating the game board efficiently.

Tools and Libraries

Throughout the course, we'll be using TensorFlow and Keras to build and train our models. These libraries provide a robust framework for developing machine learning applications, making it easier to implement and experiment with the algorithms we'll be studying.

Страница курса:

Пример перевода:

Курс зарезервировал Squal, начнет переводить, когда запишутся минимум 60-65 человек

 

Добавлен пример перевода