Python编程AI人工智能游戏开发视频教程 Learn AI Game Development using Python

本教程是关于Python编程AI人工智能游戏开发视频教程 Learn AI Game Development using Python，时长：11小时36分，大小：4.8 GB，MP4高清视频格式，教程使用软件：GameMaker，附源文件，作者：Sachin Kafle，共89个章节，语言：英语。

你将会学到的
掌握核心概念： 深入理解 DP、Q-learning、深度 Q-learning 和卷积 Q-learning。
开发实用技能： 使用 TensorFlow 和 Keras 实现和训练模型。
解决实际问题： 运用所学知识构建能够解决复杂任务和游戏的代理。
为担任高级人工智能职务做好准备： 掌握人工智能和机器学习职业所需的技能。

要求
需要初级 Python 编程经验

说明
人工智能（AI）正在改变各行各业和日常生活。从自动驾驶汽车到流媒体服务的个性化推荐，人工智能是塑造未来的创新核心。强化学习（RL）是人工智能中的一个关键领域，主要研究代理如何通过与环境互动来学习决策。这种模式对于那些最佳解决方案并不显而易见，必须通过不断试错才能发现的任务尤为有效。

学习人工智能和强化学习（RL）的一个最关键的方面是弥合理论概念和实际应用之间差距的能力。本课程强调实践方法，确保您不仅理解基础理论，而且知道如何在实际场景中实施这些理论。通过实践项目，您将更深入地理解人工智能算法如何解决复杂问题并创建智能系统。

课程结构和主题

动态编程（DP）：
动态编程简介：了解动态编程的基本原理和应用。

Q-learning
Q-learning 基础： 学习无模型 RL 算法 Q-learning 背后的理论。
价值函数和策略 了解代理如何学习将状态映射到行动，以最大化累积奖励。
实施： 使用 TensorFlow 和 Keras 构建和训练 Q-learning 代理的实践项目。

深度 Q 学习：
将深度学习与 RL 相结合：了解深度神经网络如何增强 Q-learning。
处理高维空间： 管理复杂环境和大型状态空间的技术。
实用项目： 实施深度 Q-learning 模型，解决更复杂的问题。

卷积 Q-learning：
将 CNN 与 Q-learning 相结合： 利用卷积神经网络处理空间和视觉数据。
高级应用： 在视觉感知至关重要的环境中实施 RL，如视频游戏和机器人。

精彩项目
为了将这些概念付诸实践，我们将实施一系列令人兴奋的项目：
迷宫求解器： 应用 DP 和 RL 原理，对代理进行编程，以找到通过迷宫的最短路径。
山地车问题：解决这一经典的 RL 挑战，代理必须利用动量将汽车开上陡峭的山坡。
蛇形游戏： 开发一个蛇形游戏，让代理学会在避开障碍物和有效导航游戏板的同时，最大限度地增加自己的长度。

工具和库
在整个课程中，我们将使用 TensorFlow 和 Keras 来构建和训练我们的模型。这些库为开发机器学习应用提供了强大的框架，使我们更容易实现和实验我们将要学习的算法。

此课程面向哪些人：
学生和应届毕业生： 学习计算机科学、工程学、数学或相关专业，希望在人工智能和机器学习方面打下坚实基础的人。
人工智能初学者：在人工智能方面几乎没有经验，但渴望在这个令人兴奋的领域开始自己的旅程的人。
职业转换者： 该课程让您掌握就业市场上炙手可热的技能，为您开辟新的职业机会。


下载地址：

游客，如果您要查看本帖隐藏内容请回复

版权声明

1. 本站出于学习和研究的目的提供平台共会员进行交流和讨论，网站资源由会员从网上收集整理所得，版权属于原作者。

2. 网站所有资源是进行学习和研究测试之用，不得以任何方式用于商业用途。请在下载后24小时删除。

3. 灵感中国非常重视知识产权,如有侵犯任何第三方权益，请发邮件(linggancg@foxmail.com)及时联系，邮件请附（专利证书、商标注册证、著作权证书，以及知识产权人授权投诉方进行投诉的证明文件等有效证明），我们将第一时间核实并删除侵权帖子(3个工作日内处理完并邮件答复)。

本文地址: https://lingganchina.com/thread-38104-1-1.html

不错不错，楼主您辛苦了。

不错不错，楼主您辛苦了。

不错不错，楼主您辛苦了。

相当不错，感谢分享！

回复看看下载地址

多谢您的分享。

学习了，谢谢分享