La intro…
Las lecciones a tratar en este tema son:
Ismael suele añadir una breve introducción al aprendizaje profundo (Deep Learning), CNN, Autoencoders, Redes Gann, Recurrentes…
Una lección extra que podríamos añadir es el Aprendizaje por imitación… en cierto sentido se parece al supervisado, aunque va más allá del Aprendizaje por refuerzo. Se usa la manera de jugar de un ser humano para conseguir que un agente juegue a videojuegos. Ofrece técnicas como Behavioral Cloning, Imitation from Demostrations, DAgger y otras hibridaciones.
Learning Agents osea NPCs que aprende de jugadores con Imitation Learning o Behavior Cloning. Reinforcement Learning (¡aquí hay para 3 semanas de clases, vamos!), conceptos como MDP, Q-Learning y Deep Q Networks aplicados en entornos tipo Gymnasium, PettingZoo y hacer prácticas con el Pac-Man, Gridworld, o juegos de Atari en general… incluso se podría hablar de sistemas multiagente (para cooperar, competir, hacer jugadores automáticos… en Starcraft, Rocket League…)
Ejercicios
Para practicar lo aprendido pueden hacerse algunos ejercicios.
Prácticas
Para aplicar los conocimientos y las técnicas de este tema podrían realizarse prácticas como estas:
- EJEMPLO, con una solución hecha por el profesor.
- Desarrollar modelos de aprendizaje profundo con PyTorch / Keras.
- Usar IA generativa para crear algo interesante, como un MOD o una ampliación de un juego real, diálogos de un NPC, misiones, un escenario o algo así, modelos 3D, texturas, enemigos, pequeños scripts… algo nuevo para el juego.
- Se puede ver cómo dando instrucciones a Claude Cowork es capaz de editar niveles (al menos en Unreal Engine 5.8 gracias a su MCP).
Referencias
Para complementar este tema es recomendable consultar otros documentos:
Esta página está licenciada bajo CC BY-NC-SA 4.0 por Laboratorios Narratech.