الگوریتم های هوش مصنوعی برای طراحی بازی با پایتون

مدرس Eduardo Corpeño

انتشار 2025/03/11

مدت زمان 2h 21m

سطح مناسب همه

فایل تمرینی ندارد

آموزش AI Algorithms for Game Design with Python

در این دوره آموزشی سطح متوسط، ادواردو کورپینو الگوریتم‌های هوش مصنوعی را برای طراحی بازی بررسی می‌کند. به استراتژی‌های قدرتمندی مانند مینی‌مکس، هرس آلفا-بتا و عمیق‌سازی تکراری شیرجه بزنید. یاد بگیرید که چگونه این تکنیک ها را در پایتون پیاده سازی کنید و مهارت های توسعه بازی خود را افزایش دهید. بافت تاریخی را کشف کنید، مانند الگوریتم‌های مورد استفاده در Deep Blue IBM، که قهرمان شطرنج جهان، گری کاسپاروف را شکست داد. با درگیر شدن با مثال‌های واقعی و تمرین‌های کدنویسی عملی، توانایی خود را برای ایجاد الگوریتم‌های بازی هوشمند توسعه و تقویت خواهید کرد. چه یک توسعه‌دهنده بازی، علاقه‌مند به هوش مصنوعی یا برنامه‌نویسی باشید که به دنبال تقویت مهارت‌های خود هستید، این دوره دانش عمیق و مهارت‌های عملی را برای استفاده مؤثر از هوش مصنوعی در طراحی بازی ارائه می‌دهد. این دوره با GitHub Codespaces یکپارچه شده است، یک محیط توسعه دهنده ابر فوری که تمام عملکردهای IDE مورد علاقه شما را بدون نیاز به هیچ گونه راه اندازی ماشین محلی ارائه می دهد. با GitHub Codespaces، می‌توانید در هر زمان و در هر زمانی از هر ماشینی تمرین عملی داشته باشید، در حالی که از ابزاری استفاده می‌کنید که احتمالاً در محل کار با آن مواجه خواهید شد. برای یادگیری نحوه شروع، «استفاده از فایل‌های تمرین در GitHub Codespaces» را با این دوره بررسی کنید.

Artificial Intelligence (AI) Game AI Game Design Python (Programming Language)

Introduction

Playing against a computer is only fun when it's challenging ()

What you should know ()

Using the exercise files in GitHub Codespaces ()

1. Turn-Based Games

Some history as motivation ()

Different types of games ()

Tree-based decision-making ()

Time complexity of brute-force approaches ()

Time complexity of chess ()

The cat trap game ()

The Python setting for the cat trap ()

Code example: A random cat ()

2. The Minimax Algorithm

Minimax overview ()

Minimax example ()

The minimax algorithm ()

A word on complexity ()

Challenge: A perfect cat in a small world ()

Solution: A perfect cat in a small world ()

Alpha-beta pruning ()

The alpha-beta search algorithm ()

Challenge: A pruning cat ()

Solution: A pruning cat ()

3. Depth-Limited Search

Depth-limited search ()

Writing good evaluation functions ()

Is alpha-beta pruning still relevant? ()

Challenge: A depth-limited cat ()

Solution: A depth-limited cat ()

Challenge: Write your own evaluation function ()

Solution: Write your own evaluation function ()

4. Iterative Deepening

The iterative deepening technique ()

Is iterative deepening a waste of time? ()

Challenge: An iteratively deepening cat ()

Solution: An iteratively deepening cat ()

Is iterative deepening really that good? ()

Is alpha-beta pruning really that good? ()

5. Fun with Optimizations

The negamax algorithm ()

Transposition tables ()

Monte Carlo evaluation functions ()

Conclusion

Next steps ()

دانلود فایل فشرده

با توجه به امکانات آموزش و همچنین امکانات بسته انتخاب شده لینک دانلود فایل فشرده آماده خواهد شد. با در نظر داشتن این شرایط لطفا بسته مورد نظر خود را انتخاب کرده و روی دکمه درخواست لینک دانلود کلیک کنید

در حال به روزرسانی اطلاعات

درخواست لینک دانلود

در حال به روزرسانی اطلاعات

لطفا قبل از فعالسازی لینک دانلود به موارد زیر توجه کنید:

پسورد فایل‌های فشرده است.
لینک‌های آماده شده تا 8 روز پس از فعالسازی منقضی خواهند شد.
حجم فایل‌ها تخمینی هستند.
در صورتی که لینک دانلود تا 15دقیقه پس از درخواست آماده نشد، از بخش پشتیبانی پیگیری نمایید.