20200120
Unity ML-Agents実践ゲームプログラミング v1.1対応版
販売価格 3,960円(税込)
書籍名：Unity ML-Agents実践ゲームプログラミング v1.1対応版
刊行予定日：2020年8月上旬
著者：布留川 英一
定価：3,600円+税
ISBN：978-4-86246-482-8
サイズ：B5変形判
ページ数：368ページ、オールカラー
発行：株式会社ボーンデジタル
【内容】
「Unity ML-Agents」は、2017年秋にv0.1として登場以降、順調にバージョンアップを重ね、2020年5月についに正式版となりました。今後は、Unityの中核機能の1つになると予想されています。
本書は、2018年7月に刊行した前書（v0.4に対応）を、正式版に合わせて全面的に改訂したものです。
Unity ML-Agentsは、多くのAIプログラミングで必須となる「Python」のコーディングを必要とせず、Unity ML-Agentsの仕組みに沿って、通常のゲーム開発同様にC#によるコーディングで完結できることが大きな特徴です。
本書では、これからゲームAIについて学びたい方から読んでいただけるように、機械学習の基礎から学習環境の構築、付属サンプルによるさまざまな学習方法の解説などを、ステップ・バイ・ステップで実践的に習得できるように構成しています。
また、実際の開発現場でゲームAIを活用するためのサンプルとして、Unityが無償で公開しているゲームを使って、「テストの自動化」「ゲームバランスの調整」「より自然な振る舞いを行うNPC」「人間の代わりとなる対戦相手」をAIとして実装したサンプル事例も紹介しています。
本書は、基礎から実践まで網羅しており、これからゲームAIにチャレンジしたい方にお勧めしたい1冊です。
【著者について】
布留川 英一（ふるかわ ひでかず）
1975年生まれ。群馬県出身。会津大学コンピュータ理工学部コンピュータソフトウェア学科卒。
1999年、「JAVA PRESS」（技術評論社）にて、携帯アプリの開発方法の連載を開始。2001年、株式会社ドワンゴにて、世界初のJava搭載携帯電話「503i」のローンチタイトル「サムライロマネスク」の開発に携わる。以後、携帯電話・スマートフォン・ロボットなど新ハードの新機能を活用したアプリを作りつつ、技術書を書き続け、20年で40冊ほど。現在はギリア株式会社にて、ヒトとAIの共生環境の実現を目指して、人工知能の研究開発に取り込んでいる。
主な著書は「OpenAI Gym/Baselines 深層学習・強化学習 人工知能プログラミング実践入門」（ボーンデジタル／2020年刊）「AlphaZero深層学習・強化学習・探索 人工知能プログラミング実践入門」「iPhone／Androidアプリ開発者のための機械学習・深層学習 実践入門」（ボーンデジタル／2019年刊）、「Unityではじめる機械学習・強化学習 Unity ML-Agents 実践ゲームプログラミング」（ボーンデジタル／2018年刊）、「Unityゲーム プログラミング・バイブル」（共著、ボーンデジタル／2018年刊）など。
【目次】
1章 機械学習とUnity ML-Agentsの概要
1-1 人工知能と機械学習
1-2 教師あり学習と教師なし学習と強化学習
1-3 強化学習
1-4 強化学習の学習アルゴリズム
1-5 Unity ML-Agentsの概要
1-6 Unity ML-Agentsの学習シナリオ
2章 はじめての学習環境の作成
2-1 開発環境の準備
2-2 プロジェクトの準備
2-3 はじめての学習環境の作成
2-4 学習と推論
2-5 学習の高速化
3章 Unity ML-Agentsの基礎
3-1 状態と観察
3-2 行動
3-3 報酬とエピソード完了
3-4 決定
3-5 訓練設定ファイル
3-6 mlagents-learn
3-7 TensorBoard
4章 さまざまな学習方法
4-1 SAC
4-2 Discrete
4-3 Visual Observation
4-4 Raycast Observation
4-5 セルフプレイ
4-6 Curiosity
4-7 模倣学習
4-8 LSTM（Long Short-Term Memory）
4-9 カリキュラム学習
4-10 環境パラメータのランダム化
4-11 Observable属性
5章 サンプルの学習環境
5-1 サンプル学習環境の準備
5-2 FoodCollector（Observation）
5-3 GridWorld（Visual Observation）
5-4 PushBlock（Raycast Observation）
5-5 Tennis（セルフプレイ?）
5-6 Soccer（セルフプレイ?）
5-7 Pyramids（Curiosity・模倣学習）
5-8 Hallway（LSTM）
5-9 WallJump（カリキュラム学習）
5-10 3DBall（環境パラメータのランダム化）
5-11 Bouncer（RequestDecision）
5-12 Reacher（多関節の学習?）
5-13 Worm（多関節の学習?）
5-14 Crawler（多関節の学習?）
5-15 Walker（多関節の学習?）
5-16 Basic（カスタムセンサーコンポーネント）
6章 ゲーム開発における強化学習の活用
6-1 ゲーム開発での強化学習エージェントの活用
6-2 Flappy Bird Style−テストの自動化
6-3 3D Game Kit Lite−コンテンツのバランス調整のサポート
6-4 Puppo, The Corgi−より自然な振る舞いを行うNPC
6-5 Karting Microgame−人間の代わりとなる対戦相手
6-6 Unity Analyticsによるエージェントの行動解析
7章 Python APIを使った学習環境の構築
7-1 Python APIを使った学習
7-2 Gymラッパー
7-3 Python Low Level API
7-4 サイドチャネル
7-5 カスタムサイドチャネル
刊行予定日：2020年8月上旬
著者：布留川 英一
定価：3,600円+税
ISBN：978-4-86246-482-8
サイズ：B5変形判
ページ数：368ページ、オールカラー
発行：株式会社ボーンデジタル
【内容】
「Unity ML-Agents」は、2017年秋にv0.1として登場以降、順調にバージョンアップを重ね、2020年5月についに正式版となりました。今後は、Unityの中核機能の1つになると予想されています。
本書は、2018年7月に刊行した前書（v0.4に対応）を、正式版に合わせて全面的に改訂したものです。
Unity ML-Agentsは、多くのAIプログラミングで必須となる「Python」のコーディングを必要とせず、Unity ML-Agentsの仕組みに沿って、通常のゲーム開発同様にC#によるコーディングで完結できることが大きな特徴です。
本書では、これからゲームAIについて学びたい方から読んでいただけるように、機械学習の基礎から学習環境の構築、付属サンプルによるさまざまな学習方法の解説などを、ステップ・バイ・ステップで実践的に習得できるように構成しています。
また、実際の開発現場でゲームAIを活用するためのサンプルとして、Unityが無償で公開しているゲームを使って、「テストの自動化」「ゲームバランスの調整」「より自然な振る舞いを行うNPC」「人間の代わりとなる対戦相手」をAIとして実装したサンプル事例も紹介しています。
本書は、基礎から実践まで網羅しており、これからゲームAIにチャレンジしたい方にお勧めしたい1冊です。
【著者について】
布留川 英一（ふるかわ ひでかず）
1975年生まれ。群馬県出身。会津大学コンピュータ理工学部コンピュータソフトウェア学科卒。
1999年、「JAVA PRESS」（技術評論社）にて、携帯アプリの開発方法の連載を開始。2001年、株式会社ドワンゴにて、世界初のJava搭載携帯電話「503i」のローンチタイトル「サムライロマネスク」の開発に携わる。以後、携帯電話・スマートフォン・ロボットなど新ハードの新機能を活用したアプリを作りつつ、技術書を書き続け、20年で40冊ほど。現在はギリア株式会社にて、ヒトとAIの共生環境の実現を目指して、人工知能の研究開発に取り込んでいる。
主な著書は「OpenAI Gym/Baselines 深層学習・強化学習 人工知能プログラミング実践入門」（ボーンデジタル／2020年刊）「AlphaZero深層学習・強化学習・探索 人工知能プログラミング実践入門」「iPhone／Androidアプリ開発者のための機械学習・深層学習 実践入門」（ボーンデジタル／2019年刊）、「Unityではじめる機械学習・強化学習 Unity ML-Agents 実践ゲームプログラミング」（ボーンデジタル／2018年刊）、「Unityゲーム プログラミング・バイブル」（共著、ボーンデジタル／2018年刊）など。
【目次】
1章 機械学習とUnity ML-Agentsの概要
1-1 人工知能と機械学習
1-2 教師あり学習と教師なし学習と強化学習
1-3 強化学習
1-4 強化学習の学習アルゴリズム
1-5 Unity ML-Agentsの概要
1-6 Unity ML-Agentsの学習シナリオ
2章 はじめての学習環境の作成
2-1 開発環境の準備
2-2 プロジェクトの準備
2-3 はじめての学習環境の作成
2-4 学習と推論
2-5 学習の高速化
3章 Unity ML-Agentsの基礎
3-1 状態と観察
3-2 行動
3-3 報酬とエピソード完了
3-4 決定
3-5 訓練設定ファイル
3-6 mlagents-learn
3-7 TensorBoard
4章 さまざまな学習方法
4-1 SAC
4-2 Discrete
4-3 Visual Observation
4-4 Raycast Observation
4-5 セルフプレイ
4-6 Curiosity
4-7 模倣学習
4-8 LSTM（Long Short-Term Memory）
4-9 カリキュラム学習
4-10 環境パラメータのランダム化
4-11 Observable属性
5章 サンプルの学習環境
5-1 サンプル学習環境の準備
5-2 FoodCollector（Observation）
5-3 GridWorld（Visual Observation）
5-4 PushBlock（Raycast Observation）
5-5 Tennis（セルフプレイ?）
5-6 Soccer（セルフプレイ?）
5-7 Pyramids（Curiosity・模倣学習）
5-8 Hallway（LSTM）
5-9 WallJump（カリキュラム学習）
5-10 3DBall（環境パラメータのランダム化）
5-11 Bouncer（RequestDecision）
5-12 Reacher（多関節の学習?）
5-13 Worm（多関節の学習?）
5-14 Crawler（多関節の学習?）
5-15 Walker（多関節の学習?）
5-16 Basic（カスタムセンサーコンポーネント）
6章 ゲーム開発における強化学習の活用
6-1 ゲーム開発での強化学習エージェントの活用
6-2 Flappy Bird Style−テストの自動化
6-3 3D Game Kit Lite−コンテンツのバランス調整のサポート
6-4 Puppo, The Corgi−より自然な振る舞いを行うNPC
6-5 Karting Microgame−人間の代わりとなる対戦相手
6-6 Unity Analyticsによるエージェントの行動解析
7章 Python APIを使った学習環境の構築
7-1 Python APIを使った学習
7-2 Gymラッパー
7-3 Python Low Level API
7-4 サイドチャネル
7-5 カスタムサイドチャネル
