دوره آموزش جامع AI برای توسعه‌دهندگان بازی: از صفر تا قهرمانی! همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره آموزش جامع AI برای توسعه‌دهندگان بازی: از صفر تا قهرمانی!

موضوع کلی: هوش مصنوعی در توسعه بازی

موضوع میانی: مفاهیم و تکنیک‌های پایه هوش مصنوعی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر هوش مصنوعی در بازی‌ها
• 2. اهمیت و نقش AI در تجربه بازی‌کننده
• 3. مفهوم "عامل" (Agent) و محیط آن در AI بازی
• 4. اجزای اصلی یک عامل AI: حسگرها، عملگرها، منطق تصمیم
• 5. چرخه بازی و ادغام AI: فریم ورک‌های پایه
• 6. مقدمه‌ای بر مدل‌سازی جهان بازی برای AI
• 7. مفاهیم ریاضی پایه: بردارها برای حرکت و جهت‌گیری
• 8. مفاهیم ریاضی پایه: ماتریس‌ها و تبدیلات
• 9. اصول طراحی شخصیت‌های AI قابل باور و پویا
• 10. چالش‌ها و ملاحظات طراحی و پیاده‌سازی AI
• 11. اخلاق و مسئولیت‌پذیری در توسعه AI بازی
• 12. ابزارهای اولیه برای ساخت AI بازی (مروری بر IDE و موتورها)
• 13. حرکات اولیه: تعقیب (Seek) و فرار (Flee)
• 14. حرکات پیشرفته: تعقیب (Pursue) و گریز (Evade)
• 15. حرکات پیشرفته: رسیدن (Arrive) به هدف و توقف نرم
• 16. الگوریتم‌های فرماندهی حرکت (Steering Behaviors): معرفی
• 17. اجتناب از موانع (Obstacle Avoidance)
• 18. اجتناب از برخورد با عامل‌های دیگر (Collision Avoidance)
• 19. حرکت در مسیرهای از پیش تعریف شده (Path Following)
• 20. حرکت دسته جمعی: گله‌سازی (Flocking)
• 21. اصول گله‌سازی: هم‌ترازی (Alignment)
• 22. اصول گله‌سازی: جداسازی (Separation)
• 23. اصول گله‌سازی: انسجام (Cohesion)
• 24. مقدمه‌ای بر یافتن مسیر (Pathfinding) و کاربرد آن
• 25. مفهوم گراف‌ها: گره‌ها و یال‌ها در یافتن مسیر
• 26. الگوریتم Dijkstra: اصول و گام‌های پیاده‌سازی
• 27. محدودیت‌های Dijkstra و نیاز به الگوریتم‌های بهینه‌تر
• 28. الگوریتم A* (A-Star): معرفی و اهمیت
• 29. A*: تابع Heuristic و نقش آن در عملکرد
• 30. پیاده‌سازی A* در محیط‌های گرید-محور (Grid-based)
• 31. A*: بهینه‌سازی‌ها و تغییرات (مانند Jump Point Search)
• 32. سیستم‌های Waypoint: طراحی و مدیریت
• 33. مقدمه‌ای بر شبکه‌های ناوبری (Navigation Meshes - NavMesh)
• 34. تولید NavMesh: مفاهیم پایه و ابزارها
• 35. استفاده از NavMesh برای حرکت پیچیده در فضاهای سه‌بعدی
• 36. پیمایش NavMesh: تکنیک‌های پیدا کردن مسیر روی NavMesh
• 37. مقدمه‌ای بر معماری‌های تصمیم‌گیری AI
• 38. ماشین‌های حالت متناهی (Finite State Machines - FSM): ساختار و چرخه
• 39. پیاده‌سازی FSMهای ساده: مثال‌های عملی
• 40. محدودیت‌ها و مشکلات مقیاس‌پذیری FSMها
• 41. ماشین‌های حالت سلسله مراتبی (Hierarchical FSMs - HSFMs)
• 42. معرفی درخت‌های رفتار (Behavior Trees - BTs)
• 43. اجزای اصلی درخت رفتار: گره‌های کامپوزیت (Sequence, Selector)
• 44. اجزای اصلی درخت رفتار: گره‌های دکوراتور (Decorator Nodes)
• 45. اجزای اصلی درخت رفتار: گره‌های برگ (Action, Condition)
• 46. پیاده‌سازی یک Behavior Tree از ابتدا
• 47. طراحی Behavior Tree برای سناریوهای مختلف دشمن
• 48. بهینه‌سازی و اشکال‌زدایی Behavior Tree
• 49. مقایسه FSM و Behavior Tree: مزایا و معایب
• 50. هوش مصنوعی مبتنی بر ابزار (Utility AI): معرفی و فلسفه
• 51. توابع امتیازدهی (Scoring Functions) در Utility AI
• 52. طراحی و پیاده‌سازی یک سیستم Utility AI
• 53. Goal-Oriented Action Planning (GOAP): مبانی و مفهوم هدف
• 54. عملگرها (Actions) و پیش‌شرط‌ها (Preconditions) در GOAP
• 55. سیستم‌های مبتنی بر قوانین (Rule-Based Systems): ساختار IF-THEN
• 56. موتورهای استنتاج (Inference Engines) در سیستم‌های قواعدی
• 57. درخت‌های تصمیم‌گیری (Decision Trees): معرفی و ساختار
• 58. طراحی و استفاده از درخت‌های تصمیم‌گیری در AI
• 59. ترکیب معماری‌های مختلف AI (Hybrid AI)
• 60. طراحی AI برای دشمنان و باس فایت‌های پیشرفته
• 61. AI برای شخصیت‌های غیرقابل بازی (NPCs) با رفتارهای متنوع
• 62. AI برای متحدان و یاران (Companions)
• 63. AI برای محیط، پازل‌ها و رویدادهای بازی
• 64. مدیریت اهداف و انگیزه‌های AI
• 65. سیستم‌های اولویت‌بندی برای اقدامات AI
• 66. واکنش‌های AI به رویدادهای جهان بازی
• 67. AI شخصیت‌محور: مدل‌سازی عواطف و حالات
• 68. AI برای ایجاد رفتارهای تصادفی و غیرقابل پیش‌بینی
• 69. سیستم‌های حسگر: دید (Line of Sight, Field of View)
• 70. سیستم‌های حسگر: شنیدن و درک صدا (Audio Perception)
• 71. سیستم‌های حسگر: حس لامسه و برخورد فیزیکی
• 72. حافظه عامل‌های AI: مفاهیم و نیازها
• 73. پیاده‌سازی حافظه کوتاه‌مدت برای AI
• 74. پیاده‌سازی حافظه بلندمدت و یادآوری رویدادها
• 75. سیستم‌های دانش و باور (Belief-Desire-Intention - BDI)
• 76. ارتباط بین عامل‌های AI: سیستم‌های سیگنالینگ و پیام‌رسانی
• 77. هوش مصنوعی تیمی و همکاری (Team AI)
• 78. اشتراک‌گذاری دانش و هدف در تیم‌های AI
• 79. مقدمه‌ای بر یادگیری ماشین (Machine Learning - ML) در بازی‌ها
• 80. انواع یادگیری ماشین: نظارت شده (Supervised Learning)
• 81. انواع یادگیری ماشین: بدون نظارت (Unsupervised Learning)
• 82. یادگیری تقویتی (Reinforcement Learning - RL): مفاهیم و چارچوب
• 83. عامل (Agent) و محیط (Environment) در RL
• 84. مفهوم پاداش (Reward) و مجازات در RL
• 85. فرایندهای تصمیم‌گیری مارکوف (Markov Decision Processes - MDPs)
• 86. الگوریتم Q-Learning: اصول و پیاده‌سازی پایه
• 87. جداول Q و استراتژی اکتشاف/بهره‌برداری (Exploration/Exploitation)
• 88. مقدمه‌ای بر شبکه‌های عصبی (Neural Networks - NN)
• 89. ساختار شبکه‌های عصبی: لایه‌ها و نورون‌ها
• 90. فعال‌سازی (Activation Functions) در شبکه‌های عصبی
• 91. آموزش شبکه‌های عصبی: مفهوم Backpropagation (مقدماتی)
• 92. شبکه‌های عصبی عمیق (Deep Neural Networks): مروری بر کاربردها
• 93. الگوریتم‌های تکاملی (Evolutionary Algorithms - EAs)
• 94. الگوریتم‌های ژنتیک (Genetic Algorithms - GAs) برای بهینه‌سازی AI
• 95. Neuroevolution: تکامل شبکه‌های عصبی
• 96. یادگیری تقلیدی (Imitation Learning) یا رفتار کلونینگ (Behavior Cloning)
• 97. معماری‌های لایه‌ای و ترکیبی برای هوش مصنوعی پیچیده
• 98. هوش مصنوعی نوظهور (Emergent AI) و رفتارهای پیش‌بینی نشده
• 99. تنظیم سختی بازی با AI پویا (Dynamic Difficulty Adjustment - DDA)
• 100. طراحی AI برای تعادل بازی (Game Balancing)