Imparare Unity ML - Agenti - Fondamenti dell'apprendimento automatico di Unity

Recensioni dei lettori

Il libro ha ricevuto un feedback negativo a causa della mancanza di spiegazioni chiare, in particolare nei capitoli che trattano gli esempi di ML-Agents. Molti lettori lo hanno trovato frustrante, soprattutto quando hanno cercato di implementare gli esempi su Windows, e ritengono che il contenuto non fornisca valore rispetto alle risorse gratuite disponibili online.

Alcuni lettori hanno affermato che le informazioni fornite sono ottime in termini di teoria.

Diverse recensioni hanno sottolineato che i capitoli mancano di buone spiegazioni e che gli esempi sono difficili da implementare, soprattutto su Windows. Inoltre, alcuni ritengono che il libro si limiti a duplicare le esercitazioni gratuite di Unity senza aggiungere valore sostanziale.

(basato su 4 recensioni dei lettori)

Titolo originale:

Learn Unity ML - Agents - Fundamentals of Unity Machine Learning

Contenuto del libro:

Trasformare i giochi in ambienti utilizzando l'apprendimento automatico e l'apprendimento profondo con Tensorflow, Keras e Unity Caratteristiche principali Imparare ad applicare i concetti fondamentali dell'apprendimento automatico ai giochi con Unity Imparare i fondamenti dell'apprendimento per rinforzo e del Q-Learning e applicarli ai giochi Imparare a costruire più agenti asincroni ed eseguirli in uno scenario di addestramento Descrizione del libro

Gli agenti di apprendimento automatico di Unity consentono a ricercatori e sviluppatori di creare giochi e simulazioni utilizzando l'editor di Unity, che funge da ambiente in cui gli agenti intelligenti possono essere addestrati con metodi di apprendimento automatico attraverso un'API Python semplice da usare.

Questo libro vi porta dalle basi del Reinforcement e del Q Learning alla costruzione di agenti Deep Recurrent Q-Network che cooperano o competono in un ecosistema multi-agente. Inizierete con le basi dell'apprendimento per rinforzo e come applicarlo ai problemi. Poi imparerete a costruire reti neurali avanzate ad autoapprendimento con Python e Keras/TensorFlow. Da qui si passa a scenari di addestramento più avanzati, dove si apprenderanno altri modi innovativi per addestrare la rete con modelli di A3C, imitazione e apprendimento curriculare. Alla fine del libro, avrete imparato a creare ambienti più complessi costruendo un ecosistema multi-agente cooperativo e competitivo. Cosa imparerete Sviluppare l'apprendimento per rinforzo e rinforzo profondo per i giochi. Comprendere i concetti complessi e avanzati dell'apprendimento per rinforzo e delle reti neurali Esplorare varie strategie di addestramento per lo sviluppo di agenti cooperativi e competitivi Adattare i componenti dello script di base di Academy, Agent e Brain per utilizzarli con Q Learning. Migliorare il modello Q Learning con strategie di addestramento migliorate, come l'esplorazione Greedy-Epsilon Implementare una semplice NN con Keras e usarla come cervello esterno in Unity Capire come aggiungere blocchi LTSM a una DQN esistente Costruire più agenti asincroni ed eseguirli in uno scenario di addestramento A chi si rivolge questo libro

Questo libro è destinato agli sviluppatori interessati a utilizzare gli algoritmi di apprendimento automatico per sviluppare giochi e simulazioni migliori con Unity. Indice Introduzione all'apprendimento automatico e agli agenti ML Il bandito e l'apprendimento per rinforzo Apprendimento profondo per rinforzo con Python Aggiunta dell'esplorazione e della memoria degli agenti Giocare a Terrarium Revisited - Costruire un ecosistema multi-agente