آموزش راهنمای مبتدیان برای یادگیری ماشین با یونیتی

A Beginner's Guide To Machine Learning with Unity

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: بازی‌های پیشرفته هوش مصنوعی با الگوریتم‌های ژنتیک، شبکه‌های عصبی و یادگیری Q در C# و Tensorflow for Unity یک الگوریتم ژنتیک را از ابتدا در C# بسازید. یک شبکه عصبی از ابتدا در سی شارپ بسازید. پلاگین Unity ML-Agents را راه اندازی و کاوش کنید. تنظیم و استفاده از Tensorflow برای آموزش شخصیت های بازی. دانش جدید یادگیری ماشین را برای ادغام ایده های تحقیقاتی معاصر در این زمینه در پروژه های خود به کار ببرید. تقطیر ریاضیات و آمار پشت یادگیری ماشین به کار کد برنامه. از یک بهینه سازی سیاست پروگزیمال برای آموزش شبکه عصبی استفاده کنید. پیش نیازها:باید با موتور بازی سازی Unity آشنا باشید. شما باید دانش کاری سی شارپ داشته باشید. شما باید قدردانی سالمی از ریاضیات و آمار داشته باشید.

اگر بتوانید شخصیتی بسازید که بتواند در حین بازی یاد بگیرد چه؟ در مورد انواع گیم پلی که می توانید در جایی که دشمنان شروع به پیشی گرفتن از بازیکن کردند فکر کنید. این همان چیزی است که یادگیری ماشین در بازی ها به آن مربوط می شود. در این دوره، دنیای شگفت‌انگیز هوش مصنوعی را فراتر از چیزهای ساده کشف می‌کنیم و دامنه محبوبیت روزافزون ماشین‌هایی را که یاد می‌گیرند خودشان فکر کنند، بررسی می‌کنیم.

در این دوره، پنی تکنیک های محبوب یادگیری ماشینی الگوریتم های ژنتیک و شبکه های عصبی را با استفاده از سبک آموزشی و دانش تحسین شده بین المللی خود از مدرک دکترای هوش مصنوعی شخصیت های بازی و بیش از 25 سال تجربه کار با بازی ها و گرافیک های کامپیوتری معرفی می کند. علاوه بر این، او دو کتاب برنده جایزه در زمینه هوش مصنوعی بازی ها و دو کتاب پرفروش دیگر در مورد توسعه بازی Unity نوشته است. در طول دوره، کارگاه‌های عملی طراحی شده برای آموزش تکنیک‌های اساسی یادگیری ماشین، تقطیر ریاضیات را به‌گونه‌ای دنبال می‌کنید که این موضوع برای تازه‌کارها قابل دسترسی باشد.

نحوه برنامه نویسی و کار با:

را بیاموزید
  • الگوریتم های ژنتیک

  • شبکه های عصبی

  • مجموعه های آموزشی ضبط شده توسط بازیکن انسانی

  • یادگیری تقویتی

  • افزونه ML-Agent Unity

  • Tensorflow

محتوا و نمای کلی

این دوره با بررسی کامل الگوریتم‌های ژنتیک شروع می‌شود که شما را به یکی از ساده‌ترین تکنیک‌های یادگیری ماشینی که قادر به یادگیری فوق‌العاده است آسان می‌کند. شما عاملی ایجاد خواهید کرد که استتار را می آموزد، یک برنامه کاربردی الهام گرفته از Flappy Bird که در آن پرندگان یاد می گیرند از طریق پیچ و خم و ربات های حسگر محیطی که یاد می گیرند در یک پلت فرم بمانند، آن را بسازند.

به دنبال این، شما مستقیماً وارد ساخت شبکه عصبی خود در سی شارپ از ابتدا خواهید شد. با استفاده از این شبکه عصبی اولیه، نحوه آموزش رفتار، گرفتن و استفاده از داده های بازیکن انسانی برای آموزش یک مامور و آموزش رانندگی به یک ربات را خواهید یافت. در همان بخش، الگوریتم Q-learning را قبل از ادغام آن در برنامه های کاربردی خود توضیح خواهید داد.

در این مرحله، از اصطلاحات و تکنیک‌های مورد استفاده در سراسر جامعه یادگیری عمیق اطمینان خواهید داشت و برای مقابله با عوامل آزمایشی ML-Agents Unity آماده خواهید بود. همراه با Tensorflow، شما عوامل را در اعماق قرار می دهید و دانش آنها را برای زنده ماندن در انواع سناریوهای محیط بازی تقویت می کنید.

در پایان دوره، شما یک مجموعه ابزار مجهز از الگوریتم‌ها و برنامه‌های یادگیری ماشینی پایه و جامد خواهید داشت که به شما امکان می‌دهد آخرین انتشارات تحقیقاتی را رمزگشایی کنید و آخرین پیشرفت‌ها را در کار خود ادغام کنید. با ML-Agents Unity که از آزمایشی به نسخه تولیدی تکامل می یابند، در جریان باشید.

آنچه دانش آموزان در مورد این دوره می گویند:

  • اگر یک توسعه دهنده بازی هستید که از C# و Unity استفاده می کنید، قطعا بهترین دوره مبتدی تا پیشرفته برای شبکه های عصبی/یادگیری ماشینی است. نوار هیچ x بی نهایت.

  • یک دوره عالی با مثال های ریاضی عالی و نمایش قدرت TensorFlow در داخل Unity. پس از این دوره، پیش‌زمینه پایه قوی در یادگیری ماشین را دریافت خواهید کرد.

  • مربی بسیار جذاب و آگاه است. من از همان درس اول شروع به یادگیری کردم و هرگز متوقف نشد. اگر به یادگیری ماشین علاقه دارید، این دوره را بگذرانید.


سرفصل ها و درس ها

معرفی Introduction

  • معرفی Introduction

  • یادگیری چیست؟ What is Learning?

  • نحوه مطالعه این دوره How to Study This Course

  • سوالات متداول FAQs

  • یادگیری ماشینی 101 Machine Learning 101

الگوریتم های ژنتیک Genetic Algorithms

  • ساختارهای داده الهام گرفته از DNA DNA Inspired Data Structures

  • آموزش استتار با الگوریتم ژنتیک قسمت اول Camouflage Training with Genetic Algorithms Part 1

  • آموزش استتار با الگوریتم ژنتیک قسمت دوم Camouflage Training with Genetic Algorithms Part 2

  • چالش استتار Camouflage Challenge

  • حرکت کدگذاری با ژن ها قسمت 1 Coding Movement with Genes Part 1

  • حرکت کدگذاری با ژن ها قسمت 2 Coding Movement with Genes Part 2

  • چالش از راه دور Distance Challenge

  • توجه: نسخه‌های یونیتی ممکن است واردات بسته را مختل کنند Note: Unity Versions Might Mess Up Package Imports

  • حرکت گازهای گازی با حسگر قسمت 1 Moving GAs with Senses Part 1

  • حرکت گازهای گازی با حسگر قسمت 2 Moving GAs with Senses Part 2

  • حرکت گازهای گازی با حسگر قسمت 3 Moving GAs with Senses Part 3

  • چالش پیاده روی پیچ و خم Maze Walking Challenge

  • راه حل چالش راه رفتن ماز قسمت 2 Maze Walking Challenge Solution Part 2

  • نه چندان شل و ول پرندگان قسمت 1 Not So Flappy Birds Part 1

  • پرندگان نه چندان Flappy قسمت 2 Not So Flappy Birds Part 2

  • خواندن اضافی Extra Readings

پرسپترون ها: ساخت شبکه عصبی Perceptrons: The making of a Neural Network

  • پرسپترون The Perceptron

  • چالش Challenge

  • برنامه نویسی و آموزش پرسپترون Programming and Training a Perceptron

  • تمرین 1 Exercise 1

  • تمرین 2 Exercise 2

  • طبقه بندی پرسپترون Perceptron Classification

  • یادگیری پرسپترون از تجربه Perceptron Learning from Experience

  • ذخیره و بارگیری مقادیر پرسپترون Saving & Loading Perceptron Values

شبکه های عصبی مصنوعی Artificial Neural Networks

  • مقدمه ای بر شبکه های عصبی Introduction to Neural Networks

  • برنامه نویسی یک شبکه عصبی مصنوعی قسمت 1 Programming An Artificial Neural Network Part 1

  • برنامه نویسی یک شبکه عصبی مصنوعی قسمت 2 Programming An Artificial Neural Network Part 2

  • برنامه نویسی یک شبکه عصبی مصنوعی قسمت 3 Programming An Artificial Neural Network Part 3

  • سوالات متداول ANN ANN FAQs

  • کار با توابع فعال سازی Working with Activation Functions

  • چالش Challenge

  • خواندن اضافی Extra Readings

شبکه های عصبی در عمل Neural Networks in Practice

  • توسعه یک شبکه عصبی که قسمت 1 پنگ بازی می کند Developing a Neural Network that Plays Pong Part 1

  • توسعه یک شبکه عصبی که قسمت 2 پنگ بازی می کند Developing a Neural Network that Plays Pong Part 2

  • توسعه یک شبکه عصبی که پنگ بازی می کند قسمت 3 Developing a Neural Network that Plays Pong Part 3

  • چالش Challenge

  • جمع آوری داده های تمرینی از بازیکن قسمت 1 Gathering Training Data from the Player Part 1

  • جمع آوری داده های آموزشی از Player Part 2 Gathering Training Data from the Player Part 2

  • آموزش با Player Data قسمت 1 Training with Player Data Part 1

  • یادداشتی به زیرک A Note to the Astute

  • آموزش با Player Data قسمت 2 Training with Player Data Part 2

  • چالش Challenge

  • آموزش با Player Data قسمت 3 Training with Player Data Part 3

آموزش تقویتی با Q-Network Reinforcement Learning with the Q-Network

  • یادگیری تقویتی و Q-Networks Reinforcement Learning and Q-Networks

  • آموزش شبکه عصبی با Q-Learning قسمت 1 Training a Neural Network with Q-Learning Part 1

  • آموزش شبکه عصبی با Q-Learning قسمت 2 Training a Neural Network with Q-Learning Part 2

  • آموزش شبکه عصبی با Q-Learning قسمت 3 Training a Neural Network with Q-Learning Part 3

  • چالش Challenge

  • خواندن اضافی Extra Readings

ML-Agents ML-Agents

  • ابتدا این را بخوانید Read This First

Unity's ML-Agents V0.3 [منسوخ شده] Unity's ML-Agents V0.3 [DEPRECATED]

  • برپایی Setup

  • آموزش اولین ML-Agent V0.3 Training Your First ML-Agent V0.3

  • مهاجرت از V0.2 به V0.3 Migrating from V0.2 to V0.3

  • پرسش و پاسخ ML-Agent ML-Agent's FAQ

  • ایجاد یک ML-Agent از ابتدا قسمت 1 Creating an ML-Agent From Scratch Part 1

  • ایجاد یک ML-Agent از ابتدا قسمت 2 Creating an ML-Agent From Scratch Part 2

  • برگه تقلب ML-Agents ML-Agents Cheat Sheet

  • A Avoiding ML-Agent قسمت 1 An Avoiding ML-Agent Part 1

  • A Avoiding ML-Agent قسمت 2 An Avoiding ML-Agent Part 2

  • چالش Challenge

  • 10 نکته برتر برای بهترین تمرین شبکه عصبی Top 10 Tips for Neural Network Best Practice

  • Environment Sensing ML-Agent Environment Sensing ML-Agent

  • پاداش Rewards

  • پرش از دیوار به دنبال هدف قسمت 1 Goal Seeking Wall Jumping Part 1

  • پرش از دیوار به دنبال هدف قسمت 2 Goal Seeking Wall Jumping Part 2

  • خواندن اضافی Extra Readings

  • خواندن اضافی Extra Readings

Unity's M-Agents V0.2 [استهلاک] Unity's M-Agents V0.2 [DEPRECIATED]

  • درباره این بخش About This Section

  • راه اندازی TensorFlow - Starter Files Setting up TensorFlow - Starter Files

  • راه اندازی TensorFlow - Windows Setting up TensorFlow - Windows

  • راه اندازی TensorFlow - Mac Setting up TensorFlow - Mac

  • مروری بر ML-Agents An Overview of ML-Agents

کلام پایانی A Final Word

  • متشکرم Thank you

  • الان کجا؟ Where to Now?

نمایش نظرات

آموزش راهنمای مبتدیان برای یادگیری ماشین با یونیتی
جزییات دوره
12.5 hours
76
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
22,198
4.6 از 5
دارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Penny de Byl Penny de Byl

استاد برنده جایزه بین المللی و نویسنده پرفروش سلام ، من دکتر پنی دی بایل هستم. من کاملاً سازنده بسیاری از مسائل مربوط به کمبود رایانه و دانشگاهی هستم و علاقه واقعی به تدریس دارم. من بیش از 25 سال است که در دانشگاه ها در استرالیا و اروپا در سطح استاد کامل در مورد توسعه بازی ها ، برنامه نویسی ، گرافیک رایانه ای ، انیمیشن و طراحی وب به دیگران آموزش می دهم. من همچنین برای یونیتی ، SAE ، انستیتوی سرگرمی استرالیا و ویکی گودت مشورت کرده ام. بهترین کتابهای درسی من از جمله توسعه بازی جامع با وحدت در بیش از 100 موسسه در سراسر جهان استفاده می شود. فارغ التحصیلان من در شرکت هایی مانند اپل ، Ubisoft ، LinkedIn و Deloitte Digital کار می کنند. من دارای مدرک ممتاز گرافیک رایانه و دکترا هستم. در هوش مصنوعی برای شخصیت های بازی در طول زندگی حرفه ای من جوایز زیادی را برای تعالی تدریس در سطح ایالتی ، ملی و بین المللی از جمله جایزه تعالی تدریس و آموزش استرالیا و مسابقه برنامه درسی بازی موبایل یونیت برنده شده ام. رویکرد من در زمینه آموزش علوم کامپیوتر و زمینه های مرتبط مبتنی بر پروژه است که به شما کارگاه های عملی می دهم و می توانید بلافاصله دندان های خود را در آن قرار دهید.

Penny @Holistic3D.com Penny @Holistic3D.com

هیجان علمی ، نویسنده و توسعه بازی سلام ، من دکتر پنی د بیل هستم. من کاملاً سازنده بسیاری از مسائل مربوط به کمبود رایانه و دانشگاهی هستم و علاقه واقعی به تدریس دارم. من بیش از 25 سال است که در دانشگاه ها در استرالیا و اروپا در سطح استاد کامل در مورد توسعه بازی ها ، برنامه نویسی ، گرافیک رایانه ای ، انیمیشن و طراحی وب به دیگران آموزش می دهم. من همچنین برای یونیتی و SAE مشورت کرده ام. بهترین کتابهای درسی من از جمله توسعه بازی جامع با وحدت در بیش از 100 موسسه در سراسر جهان استفاده می شود. فارغ التحصیلان من در شرکت هایی مانند اپل ، Ubisoft ، LinkedIn و Deloitte Digital کار می کنند. من دارای مدرک ممتاز گرافیک رایانه و دکترا هستم. در هوش مصنوعی برای شخصیت های بازی در طول زندگی حرفه ای من جوایز زیادی را برای تعالی تدریس در سطح ایالتی ، ملی و بین المللی از جمله جایزه تعالی تدریس و آموزش استرالیا و مسابقه برنامه درسی بازی موبایل یونیت برنده شده ام. رویکرد من در زمینه آموزش علوم کامپیوتر و زمینه های مرتبط مبتنی بر پروژه است که به شما کارگاه های عملی می دهم و می توانید بلافاصله دندان های خود را در آن قرار دهید.