آموزش هوش مصنوعی برای بازی های ساده

Artificial Intelligence for Simple Games

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: یاد بگیرید که چگونه از ابزارهای قدرتمند یادگیری تقویتی عمیق و هوش مصنوعی در نمونه هایی از بازی های ساده هوش مصنوعی استفاده کنید! حل مشکل فروشنده دوره گرد درک و پیاده سازی الگوریتم های ژنتیک دریافت چارچوب کلی هوش مصنوعی نحوه استفاده از این ابزار برای پروژه های خود را درک کنید. پروژه های خود SOLVE MOUNTAIN CAR FROM OPENAI GYM درک و پیاده سازی Deep Q-Learning ساخت شبکه های عصبی مصنوعی با Keras استفاده از محیط های ارائه شده در OpenAI Gym نحوه استفاده از این ابزار برای پروژه های خود را بدانید SOLVE SNAKE درک و پیاده سازی Deep Convolutional Q-Learning Build Convolutional شبکه های عصبی با Keras درک نحوه استفاده از این ابزار برای پروژه های خود

تا به حال آرزو کرده اید که از قدرت یادگیری عمیق و یادگیری ماشینی برای ساخت ربات های هوشمند ساخته شده برای بازی استفاده کنید؟


اگر به دنبال راهی خلاقانه برای فرو رفتن در هوش مصنوعی هستید، «هوش مصنوعی برای بازی‌های ساده» کلید شما برای ایجاد دانش پایدار است.


دانش هوش مصنوعی خود را از الگوریتم‌های اساسی DL و ML با استفاده از محیط سرگرم‌کننده و انعطاف‌پذیر بازی‌های ساده مانند Snake، مشکل فروشنده دوره گرد، مارپیچ‌ها و موارد دیگر بیاموزید.


1. چه یک مبتدی مطلق باشید و چه متخصص یادگیری ماشین، این دوره پایه محکمی از مفاهیم اولیه و پیشرفته ای را که برای ساختن هوش مصنوعی در محیط بازی و فراتر از آن نیاز دارید، ارائه می دهد.

2. الگوریتم‌ها و مفاهیم کلیدی تحت پوشش این دوره عبارتند از: الگوریتم‌های ژنتیک، یادگیری Q، یادگیری عمیق Q با شبکه‌های عصبی مصنوعی و شبکه‌های عصبی کانولوشن.


3. در محیط یادگیری تعاملی و محبوب SuperDataScience که برای ایجاد دانش و شهود به تدریج با مطالعات موردی عملی و در عین حال چالش برانگیز طراحی شده است.


4. انعطاف‌پذیری کد به این معنی است که دانش‌آموزان می‌توانند سناریوهای مختلف بازی را آزمایش کنند و به راحتی یادگیری خود را برای مشکلات تجاری خارج از صنعت بازی به کار ببرند.

برنامه درسی «AI for Simple Games»


بخش شماره 1 - با استفاده از مسئله معروف فروشنده دوره گرد در یک بازی بین کهکشانی به الگوریتم های ژنتیک شیرجه بزنید. چالش ساختن یک سفینه فضایی است که در کوتاه ترین زمان ممکن در تمام سیارات سفر کند!


بخش شماره 2 - مبانی الگوریتم یادگیری تقویتی بدون مدل، Q-Learning را بیاموزید. مهارت های شهود و تجسم را توسعه دهید و دست خود را در ساخت یک پیچ و خم سفارشی امتحان کنید و هوش مصنوعی طراحی کنید که بتواند راه خود را پیدا کند.

بخش شماره 3 - با Deep Q-Learning عمیق بروید. دنیای خارق‌العاده شبکه‌های عصبی را با استفاده از محیط توسعه OpenAI Gym کاوش کنید و یاد بگیرید که چگونه برای بسیاری از بازی‌های ساده دیگر هوش مصنوعی بسازید!


بخش شماره 4 - با ساختن نسخه مخصوص خود از بازی کلاسیک، Snake، دوره را به پایان برسانید! در اینجا با ساختن یک هوش مصنوعی که همان رفتاری را که هنگام بازی Snake می بینیم، تقلید می کند، از شبکه های عصبی کانولوشنال استفاده خواهید کرد.


سرفصل ها و درس ها

نصب و راه اندازی Installation

  • نصب آناکوندا Installing Anaconda

مواد را دریافت کنید Get the materials

  • مواد را دریافت کنید Get the materials

  • جایزه: مسیر یادگیری BONUS: Learning Path

الگوریتم های ژنتیک شهود Genetic Algorithms Intuition

  • طرح حمله Plan of Attack

  • DNA The DNA

  • تابع تناسب اندام The Fitness Function

  • جمعیت The Population

  • انتخاب The Selection

  • کراس اوور The Crossover

  • جهش The Mutation

الگوریتم های ژنتیک کاربردی Genetic Algorithms Practical

  • مرحله 1 - مقدمه Step 1 - The Introduction

  • مرحله 2 - وارد کردن کتابخانه ها Step 2 - Importing the libraries

  • مرحله 3 - ایجاد ربات ها Step 3 - Creating the bots

  • مرحله 4 - اولیه سازی DNA تصادفی Step 4 - Initializing the random DNA

  • مرحله 5 - ساخت روش متقاطع Step 5 - Building the Crossover method

  • مرحله 6 - جهش های جزئی تصادفی 1 Step 6 - Random Partial Mutations 1

  • مرحله 7 - جهش های جزئی تصادفی 2 Step 7 - Random Partial Mutations 2

  • مرحله 8 - راه اندازی کد اصلی Step 8 - Initializing the main code

  • مرحله 9 - ایجاد اولین جمعیت Step 9 - Creating the first population

  • مرحله 10 - حلقه اصلی را شروع کنید Step 10 - Starting the main loop

  • مرحله 11 - ارزیابی جمعیت Step 11 - Evaluating the population

  • مرحله 12 - مرتب سازی جمعیت Step 12 - Sorting the population

  • مرحله 13 - افزودن بهترین ربات های قبلی به جمعیت Step 13 - Adding best previous bots to the population

  • مرحله 14 - پر کردن بقیه جمعیت Step 14 - Filling in the rest of the population

  • مرحله 15 - نمایش نتایج Step 15 - Displaying the results

  • مرحله 16 - کد را اجرا کنید Step 16 - Running the code

Q-Learning Q-Learning

  • Q-Learning Intuition: Plan of Attack Q-Learning Intuition: Plan of Attack

  • Q-Learning Intuition: یادگیری تقویتی چیست؟ Q-Learning Intuition: What is Reinforcement Learning?

  • Q-Learning Intuition: معادله بلمن Q-Learning Intuition: The Bellman Equation

  • Q-Learning Intuition: The Plan Q-Learning Intuition: The Plan

  • Q-Learning Intuition: فرآیند تصمیم گیری مارکوف Q-Learning Intuition: Markov Decision Process

  • Q-Learning Intuition: Policy vs Plan Q-Learning Intuition: Policy vs Plan

  • Q-Learning Intuition: Living Penality Q-Learning Intuition: Living Penalty

  • Q-Learning Intuition: Q-Learning Intuition Q-Learning Intuition: Q-Learning Intuition

  • Q-Learning Intuition: تفاوت زمانی Q-Learning Intuition: Temporal Difference

  • Q-Learning Intuition: Q-Learning Visualization Q-Learning Intuition: Q-Learning Visualization

Q-Learning عملی Q-Learning Practical

  • مرحله 1 - مقدمه Step 1 - Introduction

  • مرحله 2 - وارد کردن کتابخانه ها Step 2 - Importing the libraries

  • مرحله 3 - تعریف پارامترها Step 3 - Defining the parameters

  • مرحله 4 - مقداردهی اولیه محیط و Q-Table Step 4 - Environment and Q-Table initialization

  • مرحله 5 - آماده سازی فرآیند Q-Learning 1 Step 5 - Preparing the Q-Learning process 1

  • مرحله 6 - آماده سازی فرآیند Q-Learning 2 Step 6 - Preparing the Q-Learning process 2

  • مرحله 7 - شروع فرآیند Q-Learning Step 7 - Starting the Q-Learning process

  • مرحله 8 - دریافت تمام اقدامات قابل پخش Step 8 - Getting all playable actions

  • مرحله 9 - اجرای یک عمل تصادفی Step 9 - Playing a random action

  • مرحله 10 - به روز رسانی Q-Value Step 10 - Updating the Q-Value

  • مرحله 11 - نمایش نتایج Step 11 - Displaying the results

  • مرحله 12 - کد را اجرا کنید Step 12 - Running the code

یادگیری عمیق Q با شبکه های عصبی مصنوعی Deep Q-Learning with ANNs

  • شهود یادگیری عمیق Q: طرح حمله Deep Q-Learning Intuition: Plan of Attack

  • شهود یادگیری عمیق Q: مرحله 1 Deep Q-Learning Intuition: Step 1

  • شهود یادگیری عمیق Q: مرحله 2 Deep Q-Learning Intuition: Step 2

  • Deep Q-Learning Intuition: Replay را تجربه کنید Deep Q-Learning Intuition: Experience Replay

  • Deep Q-Learning Intuition: Action Selection Policy Deep Q-Learning Intuition: Action Selection Policies

Deep Q-Learning عملی Deep Q-Learning Practical

  • مرحله 1 - مقدمه Step 1 - Introduction

  • مرحله 2 - مغز - وارد کردن کتابخانه ها Step 2 - Brain - Importing the libraries

  • مرحله 3 - مغز - ساختن کلاس مغز Step 3 - Brain - Building the Brain class

  • مرحله 4 - مغز - ایجاد شبکه عصبی Step 4 - Brain - Creating the Neural Network

  • مرحله 5 - حافظه DQN - راه اندازی حافظه تکراری تجربه Step 5 - DQN Memory - Initializing the Experience Replay Memory

  • مرحله 6 - حافظه DQN - یادآوری تجربه جدید Step 6 - DQN Memory - Remembering new experience

  • مرحله 7 - حافظه DQN - دریافت دسته های ورودی و اهداف Step 7 - DQN Memory - Getting the batches of inputs and targets

  • مرحله 8 - حافظه DQN - راه اندازی ورودی ها و اهداف Step 8 - DQN Memory - Initializing the inputs and the targets

  • مرحله 9 - حافظه DQN - استخراج انتقال از تجربیات تصادفی Step 9 - DQN Memory - Extracting transitions from random experiences

  • مرحله 10 - حافظه DQN - به روز رسانی ورودی ها و اهداف Step 10 - DQN Memory - Updating the inputs and the targets

  • مرحله 11 - آموزش - وارد کردن کتابخانه ها Step 11 - Training - Importing the libraries

  • مرحله 12 - آموزش - تنظیم پارامترها Step 12 - Training - Setting the parameters

  • مرحله 13 - آموزش - راه اندازی محیط، مغز و dqn Step 13 - Training - Initializing the environment, the brain and dqn

  • مرحله 14 - آموزش - شروع حلقه اصلی Step 14 - Training - Starting the main loop

  • مرحله 15 - آموزش - شروع بازی Step 15 - Training - Starting to play the game

  • مرحله 16 - آموزش - انجام یک اقدام Step 16 - Training - Taking an action

  • مرحله 17 - آموزش - به روز رسانی محیط Step 17 - Training - Updating the Environment

  • مرحله 18 - آموزش - افزودن تجربه جدید، آموزش هوش مصنوعی، به روز رسانی cur. حالت Step 18 - Training - Adding new experience, training the AI, updating cur. state

  • مرحله 19 - آموزش - کاهش اپسیلون و نمایش نتایج Step 19 - Training - Lowering epsilon and displaying the results

  • مرحله 20 - کد را اجرا کنید Step 20 - Running the code

یادگیری عمیق کانولوشنال Q-Learning Deep Convolutional Q-Learning

  • شهود یادگیری کانولوشنال عمیق Q-Learning: Plan of Attack Deep Convolutional Q-Learning Intuition: Plan of Attack

  • Deep Convolutional Q-Learning Intuition: Deep Convolutional Q-Learning Intuition Deep Convolutional Q-Learning Intuition: Deep Convolutional Q-Learning Intuition

  • شهود یادگیری عمیق کانولوشنال Q-Learning: ردیابی واجد شرایط بودن Deep Convolutional Q-Learning Intuition: Eligibility Trace

Deep Convolutional Q-Learning عملی Deep Convolutional Q-Learning Practical

  • مرحله 1 - مقدمه Step 1 - Introduction

  • مرحله 2 - مغز - وارد کردن کتابخانه ها Step 2 - Brain - Importing the libraries

  • مرحله 3 - مغز - شروع ساخت کلاس Brain Step 3 - Brain - Starting building the Brain class

  • مرحله 4 - مغز - ایجاد شبکه عصبی Step 4 - Brain - Creating the neural network

  • مرحله 5 - مغز - ساخت روشی که یک مدل را بارگذاری می کند Step 5 - Brain - Building a method that will load a model

  • مرحله 6 - DQN - ساخت حافظه تکراری تجربه Step 6 - DQN - Building the Experience Replay Memory

  • مرحله 7 - آموزش - وارد کردن کتابخانه ها Step 7 - Training - Importing the libraries

  • مرحله 8 - آموزش - تعریف پارامترها Step 8 - Training - Defining the parameters

  • مرحله 9 - آموزش - راه اندازی محیط مغز و DQN Step 9 - Training - Initializing the Environment the Brain and the DQN

  • مرحله 10 - آموزش - ساخت یک تابع برای تنظیم مجدد وضعیت فعلی Step 10 - Training - Building a function to reset the current state

  • مرحله 11 - آموزش - شروع حلقه اصلی Step 11 - Training - Starting the main loop

  • مرحله 12 - آموزش - تنظیم مجدد محیط و شروع بازی Step 12 - Training - Resetting the Environment and starting to play the game

  • مرحله 13 - آموزش - انتخاب یک عمل برای بازی Step 13 - Training - Selecting an action to play

  • مرحله چهاردهم - آموزش - به روز رسانی محیط Step 14 - Training - Updating the environment

  • مرحله 15 - آموزش - یادآوری تجربه جدید و آموزش هوش مصنوعی Step 15 - Training - Remembering new experience and training the AI

  • مرحله 16 - آموزش - به روز رسانی نمره و وضعیت فعلی Step 16 - Training - Updating the score and current state

  • مرحله 17 - آموزش - به روز رسانی اپسیلون و ذخیره مدل Step 17 - Training - Updating the epsilon and saving the model

  • مرحله 18 - آموزش - نمایش نتایج Step 18 - Training - Displaying the results

  • مرحله 19 - تست - وارد کردن کتابخانه ها Step 19 - Testing - Importing the libraries

  • مرحله 20 - تست - تعریف پارامترها Step 20 - Testing - Defining the parameters

  • مرحله 21 - آزمایش - راه اندازی محیط و مغز Step 21 - Testing - Initializing the Environment and the Brain

  • مرحله 22 - تست حالت فعلی و بعدی و شروع حلقه اصلی Step 22 - Testing Restting current and next state and starting the main loop

  • مرحله 23 - تست - بازنشانی بازی و شروع بازی Step 23 - Testing - Resetting the game and starting to play the game

  • مرحله 24 - تست - انتخاب یک عمل برای پخش Step 24 - Testing - Selecting an action to play

  • مرحله 25 - به روز رسانی محیط و وضعیت فعلی Step 25 - Updating the environment and current state

  • مرحله 26 - کد را اجرا کنید Step 26 - Running the code

پیوست 1: شبکه های عصبی مصنوعی ANNEX 1: Artificial Neural Networks

  • طرح حمله Plan Of Attack

  • نورون The Neuron

  • تابع فعال سازی The Activation Function

  • شبکه های عصبی چگونه کار می کنند؟ How do Neural Networks work?

  • شبکه های عصبی چگونه یاد می گیرند؟ How do Neural Networks learn?

  • گرادیان نزول Gradient Descent

  • نزول گرادیان تصادفی Stochastic Gradient Descent

  • پس انتشار Back-Propagation

ضمیمه 2: شبکه های عصبی کانولوشنال ANNEX 2: Convolutional Neural Networks

  • طرح حمله Plan Of Attack

  • شبکه های عصبی کانولوشن چیست؟ What are convolutional neural networks?

  • مرحله 1 - عملیات پیچیدگی Step 1 - Convolution Operation

  • مرحله 1 (ب) - لایه ReLU Step 1(b) - ReLU Layer

  • مرحله 2 - ادغام Step 2 - Pooling

  • مرحله 3 - صاف کردن Step 3 - Flattening

  • مرحله 4 - اتصال کامل Step 4 - Full Connection

  • خلاصه Summary

  • Softmax & Cross-Entropy Softmax & Cross-Entropy

نمایش نظرات

Udemy (یودمی)

یودمی یکی از بزرگ‌ترین پلتفرم‌های آموزشی آنلاین است که به میلیون‌ها کاربر در سراسر جهان امکان دسترسی به دوره‌های متنوع و کاربردی را فراهم می‌کند. این پلتفرم امکان آموزش در زمینه‌های مختلف از فناوری اطلاعات و برنامه‌نویسی گرفته تا زبان‌های خارجی، مدیریت، و هنر را به کاربران ارائه می‌دهد. با استفاده از یودمی، کاربران می‌توانند به صورت انعطاف‌پذیر و بهینه، مهارت‌های جدیدی را یاد بگیرند و خود را برای بازار کار آماده کنند.

یکی از ویژگی‌های برجسته یودمی، کیفیت بالای دوره‌ها و حضور استادان مجرب و با تجربه در هر حوزه است. این امر به کاربران اعتماد می‌دهد که در حال دریافت آموزش از منابع قابل اعتماد و معتبر هستند و می‌توانند به بهترین شکل ممکن از آموزش‌ها بهره ببرند. به طور خلاصه، یودمی به عنوان یکی از معتبرترین و موثرترین پلتفرم‌های آموزشی آنلاین، به افراد امکان می‌دهد تا به راحتی و با کیفیت، مهارت‌های مورد نیاز خود را ارتقا دهند و به دنبال رشد و پیشرفت شغلی خود باشند.

آموزش هوش مصنوعی برای بازی های ساده
جزییات دوره
12.5 hours
119
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
2,223
4.6 از 5
ندارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

SuperDataScience Team SuperDataScience Team

کمک به دانشمندان داده برای موفقیت در آنجا ، ما تیم SuperDataScience Social هستیم. هنگام انتشار دوره های جدید SDS ، هنگامی که پادکست های جدید ، وبلاگ ها ، صفحه های اشتراک گذاری و سایر موارد را منتشر می کنیم ، از ما می شنوید! ما در اینجا هستیم تا به شما کمک کنیم در لبه پیشرفته علم و فناوری داده بمانید. در کلاس می بینمت، خالصانه، افراد واقعی در SuperDataScience

Ligency Team Ligency Team

کمک به دانشمندان داده برای موفقیت در آنجا ، ما تیم روابط عمومی و بازاریابی Ligence هستیم. هنگامی که دوره های جدید منتشر می شوند ، وقتی پادکست های جدید ، وبلاگ ها ، صفحه های اشتراک گذاری و غیره منتشر می کنیم ، از ما می شنوید! ما در اینجا هستیم تا به شما کمک کنیم در لبه پیشرفته علم و فناوری داده بمانید. در کلاس می بینمت، خالصانه، افراد واقعی در معرض خطر

Jan Warchocki Jan Warchocki

مهندس هوش مصنوعی