ساخت بازی هوشمند

۱. آشنایی با هوش مصنوعی در حد کاربردی

تعریف روشن و ساده از هوش مصنوعی و مثال‌های واقعی: بازی‌ها، ربات‌ها، دستیارهای صوتی. 

معرفی شاخه‌های مهم هوش مصنوعی:

• یادگیری ماشین
• یادگیری عمیق

توضیح اینکه چطور هوش مصنوعی بازی‌ها را هوشمندتر و طبیعی‌تر می‌کند. در این بخش دانش‌آموز می‌فهمد پشت صحنه‌ی بازی‌های امروزی چه اتفاقی می‌افتد.

۲. یادگیری ماشین (Machine Learning) برای بازی

تفاوت بین برنامه‌نویس به کامپیوتر بگوید چه کار کند و کامپیوتر از داده‌ها یاد بگیرد. 

– معرفی سه نوع مهم یادگیری:

• یادگیری با نظارت (Supervised)
• یادگیری بدون نظارت (Unsupervised)
• یادگیری تقویتی (Reinforcement)

همه‌ی این مفاهیم با مثال‌های ساده و پروژه‌های کوچک در دل بازی‌ها آموزش داده می‌شود، نه با فرمول‌های سنگین.

3.  یادگیری تقویتی (Reinforcement Learning) – عامل‌های هوشمند در بازی

در این قسمت، مفاهیم کلیدی به زبان ساده توضیح داده می‌شود:

• عامل (Agent) ، محیط (Environment) ، پاداش (Reward) ، سیاست (Policy).
• برای مثال دشمن‌هایی که خودشان یاد می‌گیرند که بهترین مسیر برای رسیدن به بازیکن یا گشت‌زنی را انتخاب کنند.

4.  یادگیری عمیق و شبکه‌های عصبی در بازی

در این بخش، پایه‌ای‌ترین مفاهیم شبکه‌های عصبی بدون پیچیدگی غیرضروری مطرح می‌شود:

• نورون مصنوعی چیست و چه کاری می‌کند؟
• لایه‌ی ورودی، پنهان و خروجی یعنی چه؟
• تفاوت کلی با مدل‌های ساده‌ی یادگیری ماشین.

بعد از فهم کلی، تمرکز روی کاربرد در بازی است که چطور می‌توانیم از یک شبکه‌ی عصبی برای تصمیم‌گیری پیچیده‌تر در بازی استفاده کنیم.

5.  پیاده‌سازی یک شبکه عصبی ساده در بازی

• برای مثال ساخت مدلی که بر اساس وضعیت فعلی بازی (مثلاً فاصله تا مانع، سرعت، ارتفاع و…) تصمیم بگیرد بازیکن باید بپرد یا نه.

6. RNN و حافظه، یاد گرفتن از توالی حرکات

در این بخش، دانش‌آموز با ایده‌ی شبکه‌های عصبی بازگشتی (RNN) آشنا می‌شود، مدل‌هایی که می‌توانند توالی را درک کنند.

 پیاده‌سازی یک RNN ساده که کمک می‌کند دشمن حرکات قبلی بازیکن را به خاطر بسپارد و واکنش هوشمندانه‌تری نشان بدهد.

7. در پایان، یک پروژه‌ی ترکیبی اجرا می‌شود که چند ایده‌ی هوش مصنوعی را با هم در یک بازی جمع می‌کند تا مسیر یادگیری برای دانش‌آموز کامل شود.