دوره آموزشی الگوریتم‌های هوش مصنوعی برای طراحی بازی با پایتون

جزئیات دوره

توی این دوره سطح میانه، ادواردو کورپنو الگوریتم‌های هوش مصنوعی برای طراحی بازی‌ها رو بررسی می‌کنه. با استراتژی‌های قدرتمندی مثل minimax، alpha-beta pruning و iterative deepening آشنا می‌شید و یاد می‌گیرید چطور این تکنیک‌ها رو توی پایتون پیاده‌سازی کنید تا مهارت‌های توسعه بازی خودتون رو تقویت کنید. تاریخچه این الگوریتم‌ها هم بررسی می‌شه، مثل الگوریتم‌هایی که توی Deep Blue شرکت IBM استفاده شد و قهرمان شطرنج دنیا، گری کاسپاروف، رو شکست داد. با مثال‌های واقعی و تمرین‌های کدنویسی عملی، مهارت شما برای ایجاد الگوریتم‌های هوش مصنوعی برای بازی‌ها تقویت می‌شه. در این دوره، با استفاده از GitHub Codespaces، هیچ مشکلی برای راه‌اندازی نخواهید داشت. این دوره برای شما مناسب است، چه توسعه‌دهنده بازی باشید، چه علاقه‌مند به هوش مصنوعی یا برنامه‌نویسی که می‌خواهید مهارت‌های خودتون رو بیشتر کنید. این دوره به شما دانش و مهارت‌های عملی عمیق می‌ده تا به‌طور مؤثر از هوش مصنوعی در طراحی بازی‌ها استفاده کنید.

اهداف یادگیری:
الگوریتم‌های هوش مصنوعی مانند minimax، alpha-beta pruning و iterative deepening رو بشناسید.
نحوه پیاده‌سازی این تکنیک‌ها در پایتون رو یاد بگیرید.
تاریخچه و کاربرد الگوریتم‌ها رو در بازی‌ها، مانند استفاده در Deep Blue IBM، درک کنید.
از مثال‌های دنیای واقعی برای تقویت توانایی طراحی الگوریتم‌های هوش مصنوعی برای بازی‌ها استفاده کنید.
با استفاده از GitHub Codespaces، فرآیند یادگیری و کدنویسی خود رو بدون مشکل انجام بدید.

سرفصل ها

0. مقدمه

01 - بازی در برابر رایانه تنها زمانی سرگرم کننده است که چالش برانگیز باشد
02 - آنچه باید بدانید
03 - استفاده از فایل‌های تمرین در GitHub Codespaces

1. بازی‌های نوبتی

04 - مقداری سابقه به عنوان انگیزه
05 - انواع مختلف بازی ها
06 - تصمیم‌گیری مبتنی بر درخت
07 - پیچیدگی زمانی رویکردهای brute-force
08 - پیچیدگی زمانی شطرنج
09 - بازی تله گربه
10 - تنظیمات پایتون برای تله گربه
11 - نمونه کد - یک گربه تصادفی

2. الگوریتم Minimax

12 - نمای کلی Minimax
13 - مثال Minimax
14 - الگوریتم مینیمکس
15 - سخنی در مورد پیچیدگی
16 - چالش - یک گربه کامل در یک دنیای کوچک
17 - راه حل - یک گربه کامل در دنیای کوچک
18 - هرس آلفا بتا
19 - الگوریتم جستجوی آلفا بتا
20 - چالش - گربه هرس
21 - محلول - گربه هرس

3. جستجوی با عمق محدود

22 - جستجو با عمق محدود
23 - نوشتن توابع ارزشیابی خوب
24 - آیا هرس آلفا-بتا همچنان مطرح است
25 - چالش - گربه با عمق محدود
26 - راه حل - گربه با عمق محدود
27 - چالش - عملکرد ارزیابی خود را بنویسید
28 - راه حل - تابع ارزیابی خود را بنویسید

4. عمیق کردن تکراری

29 - تکنیک عمیق‌سازی تکراری
30 - آیا تعمیق تکراری اتلاف وقت است
31 - چالش - گربه ای که به طور تکراری عمیق می‌شود
32 - راه حل - گربه ای که به طور تکراری عمیق می‌شود
33 - آیا عمیق کردن تکراری واقعاً خوب است؟
34 - آیا هرس آلفا بتا واقعاً خوب است؟

5. سرگرمی با بهینه سازی

35 - الگوریتم نگامکس
36 - جداول جابجایی
37 - توابع ارزیابی مونت کارلو

نتیجه گیری

38 - مراحل بعدی