کتاب از صفر تا قهرمان: آموزش عملی AI for Games (ایان میلتون) با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره از صفر تا قهرمان: آموزش عملی AI for Games (ایان میلتون)

موضوع کلی: هوش مصنوعی در بازی‌سازی

موضوع میانی: الگوریتم‌های اساسی هوش مصنوعی در بازی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر هوش مصنوعی در بازی‌ها
• 2. چرایی اهمیت هوش مصنوعی در ساخت بازی
• 3. انواع هوش مصنوعی در بازی: از دشمن تا هم‌تیمی
• 4. معرفی کتاب "AI for Games" و فلسفه دوره
• 5. محیط توسعه و ابزارهای پایه‌ای برای پیاده‌سازی
• 6. مفهوم "عامل" (Agent) در هوش مصنوعی بازی
• 7. معماری‌های کلی یک عامل هوشمند
• 8. چرخه "درک، تفکر، عمل" (Perceive, Think, Act)
• 9. اهداف و چالش‌های طراحی هوش مصنوعی بازی
• 10. مرور مفاهیم ریاضی ضروری (بردارها و ماتریس‌ها)
• 11. مقدمه‌ای بر حرکت هوشمند عامل‌ها
• 12. سیستم مختصات و حرکت در فضای دو بعدی/سه بعدی
• 13. رفتار Seeker: تعقیب هدف
• 14. رفتار Flee: فرار از خطر
• 15. رفتار Arrive: رسیدن آرام به مقصد
• 16. رفتار Wander: گشت و گذار تصادفی
• 17. رفتار Path Following: دنبال کردن مسیر از پیش تعیین شده
• 18. رفتار Obstacle Avoidance: اجتناب از موانع
• 19. رفتار Pursuit: تعقیب پیش‌بینی شده
• 20. رفتار Evade: فرار پیش‌بینی شده
• 21. ترکیب رفتارهای Steering (Blending)
• 22. پیاده‌سازی رفتارهای Steering با استفاده از بردارها
• 23. مفهوم Pathfinding: یافتن کوتاه‌ترین مسیر
• 24. گراف‌ها و گره‌ها: مدل‌سازی نقشه برای Pathfinding
• 25. الگوریتم جستجوی عرض اول (BFS) برای مسیر یابی
• 26. الگوریتم جستجوی عمق اول (DFS) برای مسیر یابی
• 27. الگوریتم دایکسترا (Dijkstra) و هزینه مسیر
• 28. توابع هیوریستیک در Pathfinding
• 29. الگوریتم A* (A-Star): شاهزاده Pathfinding
• 30. پیاده‌سازی A* در یک محیط شبکه‌ای (Grid-based)
• 31. بهینه‌سازی‌های پیشرفته A* (مانند JPS)
• 32. NavMesh: ساخت شبکه ناوبری برای محیط‌های پیچیده
• 33. تولید و "Bake" کردن NavMesh
• 34. حرکت عامل‌ها بر روی NavMesh
• 35. Off-Mesh Links: عبور از موانع خاص
• 36. Flow Fields: ناوبری کارآمد برای گروه‌های بزرگ
• 37. مقدمه‌ای بر مکانیزم‌های تصمیم‌گیری هوش مصنوعی
• 38. ماشین‌های حالت متناهی (FSM): مبانی
• 39. طراحی یک FSM برای رفتار دشمن ساده
• 40. پیاده‌سازی FSM با استفاده از کلاس‌ها و Enum
• 41. محدودیت‌ها و مشکلات FSM های بزرگ
• 42. ماشین‌های حالت سلسله مراتبی (HFSM): سازماندهی بهتر
• 43. کاربرد HFSM در پیچیدگی‌های گیم‌پلی
• 44. درختان رفتار (Behavior Trees): رویکردی قدرتمند
• 45. اجزای اصلی Behavior Tree: Composites (Sequence, Selector)
• 46. اجزای اصلی Behavior Tree: Decorators و Services
• 47. Task ها و Condition ها در Behavior Tree
• 48. طراحی یک Behavior Tree برای یک NPC پیچیده
• 49. پیاده‌سازی Behavior Tree از پایه
• 50. مزایا و معایب Behavior Tree در مقایسه با FSM
• 51. هوش مصنوعی مبتنی بر Utility: تصمیم‌گیری "بهترین" عمل
• 52. سیستم‌های امتیازدهی و Considerations در Utility AI
• 53. پیاده‌سازی یک سیستم Utility AI برای انتخاب سلاح
• 54. Goal-Oriented Action Planning (GOAP): برنامه‌ریزی هدفمند
• 55. تعریف Actions, World State و Goals در GOAP
• 56. ساخت یک برنامه‌ریز GOAP ساده
• 57. مقایسه FSM, Behavior Trees, Utility AI و GOAP
• 58. انتخاب بهترین ابزار تصمیم‌گیری برای سناریوهای مختلف
• 59. هوش مصنوعی چگونه جهان را درک می‌کند؟ (Perception)
• 60. میدان دید (Field of View - FOV)
• 61. Line of Sight (LOS): بررسی خط دید مستقیم
• 62. پیاده‌سازی دید با استفاده از Raycasting
• 63. حس شنوایی: تشخیص صدا و منبع آن
• 64. سیستم حافظه هوش مصنوعی (Memory System)
• 65. سطح آگاهی و Alertness عامل
• 66. ترکیب سنسورها برای درک جامع محیط
• 67. بهینه‌سازی سیستم‌های ادراکی
• 68. مقدمه‌ای بر هوش مصنوعی گروهی
• 69. رفتارهای Boids: Separation, Cohesion, Alignment
• 70. پیاده‌سازی Flocking/Swarming با رفتارهای Boids
• 71. هماهنگی و رهبری در گروه‌های هوش مصنوعی
• 72. فرمیشن‌ها و آرایش‌های نظامی برای گروه
• 73. حرکت گروهی بر روی NavMesh
• 74. سیستم‌های Cover (پوشش‌گیری) برای AI
• 75. سیستم‌های ارتباطی بین عامل‌های هوشمند
• 76. طراحی تاکتیک‌های گروهی برای حمله و دفاع
• 77. مقدمه‌ای بر یادگیری ماشین در هوش مصنوعی بازی
• 78. الگوریتم‌های ژنتیک: تکامل رفتارهای هوش مصنوعی
• 79. پیاده‌سازی یک الگوریتم ژنتیک ساده (مثال Flappy Bird)
• 80. مفاهیم پایه شبکه‌های عصبی مصنوعی (ANN)
• 81. کاربرد شبکه‌های عصبی در بازی‌ها (مثلاً تشخیص الگو)
• 82. یادگیری تقویتی (Reinforcement Learning - RL): مبانی
• 83. Q-Learning: یک الگوریتم عملی RL
• 84. پیاده‌سازی Q-Learning برای یک تصمیم‌گیری ساده
• 85. هوش مصنوعی تطبیق‌پذیر (Adaptive AI): یادگیری از بازیکن
• 86. طراحی هوش مصنوعی با شخصیت و احساسات
• 87. هوش مصنوعی برای بازی‌های پازل و معمایی
• 88. هوش مصنوعی برای رانندگی و مسابقات
• 89. هوش مصنوعی برای شخصیت‌های همراه و متحد
• 90. طراحی هوش مصنوعی Boss Fights
• 91. هوش مصنوعی برای بازی‌های ورزشی و شبیه‌سازی
• 92. معماری‌های جامع هوش مصنوعی (Hybrid AI)
• 93. ترکیب هوش مصنوعی مبتنی بر قوانین و یادگیری
• 94. بهینه‌سازی عملکرد هوش مصنوعی در بازی‌های بزرگ
• 95. ابزارهای پروفایلینگ و مانیتورینگ AI
• 96. دیباگ کردن هوش مصنوعی: چالش‌ها و راهکارها
• 97. Visual Debugging برای Behavior Trees و FSM
• 98. اسکریپت‌نویسی برای هوش مصنوعی (AI Scripting)
• 99. طراحی هوش مصنوعی برای بهبود تجربه بازیکن
• 100. آینده هوش مصنوعی در بازی‌ها و روندهای نوظهور