کتاب صوتی طراحی بازی‌های هوشمند: آموزش جامع ساخت بازی‌های یادگیرنده با پایتون

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره طراحی بازی‌های هوشمند: آموزش جامع ساخت بازی‌های یادگیرنده با پایتون

موضوع کلی: هوش مصنوعی در بازی‌سازی

موضوع میانی: ساخت بازی‌های یادگیرنده با استفاده از هوش مصنوعی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر هوش مصنوعی و بازی‌سازی
• 2. چرا هوش مصنوعی در بازی‌ها مهم است؟
• 3. تاریخچه هوش مصنوعی در بازی‌ها
• 4. مروری بر کتاب "Developing games that learn"
• 5. مفاهیم کلیدی بازی‌های یادگیرنده
• 6. اهداف دوره: طراحی بازی‌های هوشمند
• 7. پیش‌نیازها و ابزارهای مورد نیاز
• 8. نصب و راه‌اندازی محیط توسعه پایتون
• 9. آشنایی با کتابخانه‌های کلیدی پایتون برای بازی‌سازی
• 10. مقدمه‌ای بر موتور بازی‌سازی Pygame
• 11. ساخت اولین پروژه Pygame: یک بازی ساده
• 12. اصول اولیه یادگیری ماشین
• 13. انواع یادگیری ماشین: نظارت شده، بدون نظارت، تقویتی
• 14. مروری بر الگوریتم‌های یادگیری ماشین
• 15. مقدمه‌ای بر یادگیری تقویتی (Reinforcement Learning)
• 16. مفهوم عامل (Agent) و محیط (Environment)
• 17. کسب پاداش (Reward) و تنبیه (Penalty)
• 18. تابع ارزش (Value Function) و تابع سیاست (Policy Function)
• 19. مسئله اکتشاف در مقابل بهره‌برداری (Exploration vs. Exploitation)
• 20. پیاده‌سازی عامل ساده در محیط
• 21. مدل‌های یادگیری تقویتی: Q-Learning
• 22. آموزش Q-Table
• 23. پیاده‌سازی Q-Learning در Pygame
• 24. تکنیک‌های پیشرفته Q-Learning: Double Q-Learning
• 25. تکنیک‌های پیشرفته Q-Learning: Dueling DQN
• 26. مقدمه‌ای بر شبکه‌های عصبی (Neural Networks)
• 27. ساختار شبکه‌های عصبی: نورون‌ها، لایه‌ها، فعال‌سازی‌ها
• 28. آموزش شبکه‌های عصبی: انتشار رو به جلو و انتشار رو به عقب (Backpropagation)
• 29. استفاده از شبکه‌های عصبی برای تقریب تابع ارزش
• 30. Deep Q-Networks (DQN)
• 31. تجربه بازپخش (Experience Replay)
• 32. شبکه هدف (Target Network)
• 33. پیاده‌سازی DQN در Pygame
• 34. طراحی محیط بازی برای یادگیری ماشین
• 35. ویژگی‌های ورودی (Features) برای عامل
• 36. طراحی سیستم پاداش (Reward System)
• 37. پیاده‌سازی محیط‌های پیچیده‌تر برای عامل
• 38. بازی‌های شبیه‌سازی شده مبتنی بر یادگیری تقویتی
• 39. عوامل پیچیده‌تر: تصمیم‌گیری در طول زمان
• 40. یادگیری سیاست (Policy Gradients)
• 41. معرفی الگوریتم‌های Policy Gradient
• 42. پیاده‌سازی Policy Gradient در Pygame
• 43. ترکیب شبکه‌های عصبی و Policy Gradients: Actor-Critic Methods
• 44. الگوریتم A2C (Advantage Actor-Critic)
• 45. الگوریتم A3C (Asynchronous Advantage Actor-Critic)
• 46. یادگیری بدون مربی (Unsupervised Learning) در بازی‌سازی
• 47. خوشه‌بندی (Clustering) برای درک رفتار بازیکن
• 48. کاهش ابعاد (Dimensionality Reduction) برای نمایش داده‌ها
• 49. یادگیری تقویتی با مربی (Imitation Learning)
• 50. یادگیری از نمونه‌های بازیکنان انسانی
• 51. مفهوم Behavioral Cloning
• 52. محدودیت‌های Behavioral Cloning
• 53. یادگیری از طریق مقایسه (Inverse Reinforcement Learning)
• 54. مقدمه‌ای بر یادگیری تقویتی چندعامله (Multi-Agent Reinforcement Learning)
• 55. محیط‌های چندعامله
• 56. چالش‌های یادگیری تقویتی چندعامله
• 57. بازی‌های رقابتی و مشارکتی
• 58. الگوریتم‌های Multi-Agent DQN
• 59. الگوریتم MADDPG (Multi-Agent Deep Deterministic Policy Gradient)
• 60. استفاده از هوش مصنوعی برای خلق محتوا
• 61. تولید خودکار مراحل بازی (Procedural Content Generation)
• 62. یادگیری تقویتی برای PCG
• 63. تولید خودکار شخصیت‌ها و آیتم‌ها
• 64. هوش مصنوعی در طراحی مراحل بازی
• 65. هوش مصنوعی برای تعادل بازی (Game Balancing)
• 66. تنظیم پارامترهای بازی با استفاده از یادگیری ماشین
• 67. تست بازی با عوامل هوش مصنوعی
• 68. شخصیت‌پردازی پیشرفته NPC ها
• 69. رفتارهای پویا و غیرقابل پیش‌بینی NPC ها
• 70. تغییر رفتار NPC ها بر اساس اقدامات بازیکن
• 71. استفاده از تاریخچه بازی برای تصمیم‌گیری NPC ها
• 72. سیستم‌های دیالوگ مبتنی بر هوش مصنوعی
• 73. پردازش زبان طبیعی (NLP) در بازی‌ها
• 74. تولید دیالوگ‌های طبیعی
• 75. درک نیت بازیکن از طریق متن
• 76. هوش مصنوعی برای ایجاد چالش‌های هوشمند
• 77. شخصی‌سازی سختی بازی بر اساس مهارت بازیکن
• 78. تشخیص و جلوگیری از تقلب
• 79. هوش مصنوعی برای بهینه‌سازی عملکرد بازی
• 80. پیش‌بینی رفتار بازیکن برای بهینه‌سازی رندرینگ
• 81. مدیریت منابع بازی با استفاده از یادگیری ماشین
• 82. برنامه‌ریزی و زمان‌بندی وظایف در بازی
• 83. کاربرد شبکه‌های عصبی کانولوشنال (CNN) در بازی‌ها
• 84. تشخیص الگو در تصاویر بازی
• 85. بازی‌های بصری و تشخیص تصویر
• 86. کاربرد شبکه‌های عصبی بازگشتی (RNN) در بازی‌ها
• 87. مدل‌سازی دنباله‌های زمانی در بازی
• 88. تحلیل رفتار بازیکن در طول زمان
• 89. کاربرد شبکه‌های عصبی ترنسفورمر (Transformer) در بازی‌ها
• 90. پردازش زبان طبیعی پیشرفته
• 91. مدل‌سازی روابط پیچیده بین عناصر بازی
• 92. معرفی کتابخانه‌های دیگر برای یادگیری ماشین در پایتون
• 93. TensorFlow و Keras
• 94. PyTorch
• 95. Scikit-learn
• 96. کاربرد Game AI Libraries
• 97. آزمایش و اعتبارسنجی مدل‌های هوش مصنوعی
• 98. متریک‌های ارزیابی مدل‌های یادگیری تقویتی
• 99. تکنیک‌های بصری‌سازی (Visualization) برای درک یادگیری
• 100. اشکال‌زدایی (Debugging) مدل‌های پیچیده