Aprender Unity ML - Agentes - Fundamentos de Unity Machine Learning

Opiniones de los lectores

El libro ha recibido comentarios negativos debido a su falta de explicaciones claras, sobre todo en los capítulos que abordan los ejemplos de ML-Agents. Muchos lectores lo consideraron frustrante, sobre todo al intentar poner en práctica los ejemplos en Windows, y creen que el contenido no aporta valor en comparación con los recursos gratuitos disponibles en línea.

Algunos lectores mencionaron que la información proporcionada era muy buena en términos de teoría.

Varias reseñas destacaron que los capítulos carecían de buenas explicaciones y que los ejemplos eran difíciles de poner en práctica, especialmente en Windows. Además, algunos opinaron que el libro se limitaba a duplicar tutoriales gratuitos de Unity sin añadir un valor sustancial.

(basado en 4 opiniones de lectores)

Título original:

Learn Unity ML - Agents - Fundamentals of Unity Machine Learning

Contenido del libro:

Transforme juegos en entornos utilizando aprendizaje automático y Deep learning con Tensorflow, Keras y Unity Características principales Aprenda a aplicar conceptos básicos de aprendizaje automático a sus juegos con Unity Aprenda los fundamentos del aprendizaje por refuerzo y Q-Learning y aplíquelos a sus juegos Aprenda a construir múltiples agentes asíncronos y ejecutarlos en un escenario de entrenamiento Descripción del libro.

Los agentes de Unity Machine Learning permiten a los investigadores y desarrolladores crear juegos y simulaciones utilizando el editor de Unity, que sirve como un entorno donde los agentes inteligentes pueden ser entrenados con métodos de aprendizaje automático a través de una API Python fácil de usar.

Este libro te lleva desde los fundamentos del Aprendizaje de Refuerzo y Q hasta la construcción de agentes Q-Network Recurrentes Profundos que cooperan o compiten en un ecosistema multi-agente. Comenzará con los fundamentos del Aprendizaje por Refuerzo y cómo aplicarlo a los problemas. Luego aprenderás a construir redes neuronales avanzadas de autoaprendizaje con Python y Keras/TensorFlow. A partir de ahí, pasarás a escenarios de entrenamiento más avanzados donde aprenderás más formas innovadoras de entrenar tu red con modelos de aprendizaje A3C, imitación y currículum. Al final del libro, habrás aprendido a construir entornos más complejos mediante la creación de un ecosistema multiagente cooperativo y competitivo. Lo que aprenderá Desarrollar el Aprendizaje por Refuerzo y el Aprendizaje por Refuerzo Profundo para juegos. Entender conceptos complejos y avanzados de aprendizaje por refuerzo y redes neuronales Explorar varias estrategias de entrenamiento para el desarrollo de agentes cooperativos y competitivos Adaptar los componentes básicos de script de Academy, Agent y Brain para ser utilizados con Q Learning. Mejorar el modelo Q Learning con estrategias de entrenamiento mejoradas como la exploración Greedy-Epsilon Implementar una NN simple con Keras y utilizarla como cerebro externo en Unity Entender cómo añadir bloques LTSM a una DQN existente Construir múltiples agentes asíncronos y ejecutarlos en un escenario de entrenamiento A quién va dirigido este libro.

Este libro está dirigido a desarrolladores interesados en utilizar algoritmos de aprendizaje automático para desarrollar mejores juegos y simulaciones con Unity. Tabla de Contenidos Introducción al Aprendizaje Automático y Agentes-ML El Bandido y el Aprendizaje por Refuerzo Aprendizaje Profundo por Refuerzo con Python Añadir Agente Exploración y Memoria Jugar al Juego Terrarium Revisited - Building A Multi-Agent Ecosystem