اپلیکیشن اندرویدی فلش‌کارت آموزشی از صفر تا قهرمان: آموزش جامع توسعه بازی با هوش مصنوعی (AI Game Development)

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره از صفر تا قهرمان: آموزش جامع توسعه بازی با هوش مصنوعی (AI Game Development)

موضوع کلی: توسعه بازی با هوش مصنوعی

موضوع میانی: مبانی هوش مصنوعی در بازی‌سازی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر هوش مصنوعی در بازی‌ها
• 2. چرا هوش مصنوعی برای بازی‌ها حیاتی است؟
• 3. تاریخچه و تکامل هوش مصنوعی در بازی
• 4. مرور کلی بر اجزای یک عامل هوشمند (AI Agent)
• 5. دوره آموزشی ما: اهداف و چشم‌انداز
• 6. مقدمه‌ای بر موتورهای بازی و ابزارهای توسعه AI
• 7. مفاهیم اساسی برنامه‌نویسی برای هوش مصنوعی (مرور)
• 8. ساختارهای داده و الگوریتم‌های کاربردی در AI بازی
• 9. مدل‌سازی جهان بازی برای هوش مصنوعی
• 10. چالش‌های پیاده‌سازی هوش مصنوعی در بازی‌ها
• 11. انواع هوش مصنوعی در بازی: از اسکریپت تا یادگیری عمیق
• 12. طراحی یک AI Agent قابل گسترش
• 13. مبانی حرکت و ناوبری در بازی‌ها
• 14. سیستم‌های مختصاتی و بردارها در ناوبری
• 15. تشخیص برخورد و اجتناب از موانع ساده
• 16. الگوریتم جستجوی عمق-اول (DFS) و عرض-اول (BFS)
• 17. الگوریتم دایکسترا (Dijkstra) برای یافتن کوتاه‌ترین مسیر
• 18. معرفی الگوریتم A Star (A*) و اصول آن
• 19. تابع هیوریستیک در A* و انواع آن
• 20. پیاده‌سازی A* در یک محیط شبکه‌ای (Grid-based)
• 21. A* برای مسیرهای ناهموار (NavMeshes)
• 22. NavMesh: ساختاردهی فضای ناوبری
• 23. بهینه‌سازی مسیرهای A* و صاف کردن (Path Smoothing)
• 24. Dynamic Pathfinding: واکنش به تغییرات محیطی
• 25. مقدمه‌ای بر سیستم‌های تصمیم‌گیری در هوش مصنوعی
• 26. ماشین حالت محدود (Finite State Machine - FSM): مفاهیم پایه
• 27. طراحی FSM برای رفتارهای ساده (مانند گارد نگهبان)
• 28. پیاده‌سازی FSM در کد: ساختار و کلاس‌ها
• 29. حالت‌های جهانی (Global States) و زیرحالت‌ها (Sub-States)
• 30. FSM های سلسله‌مراتبی (Hierarchical FSMs - HFSMs)
• 31. مزایا و معایب FSM در توسعه بازی
• 32. مدیریت تغییر حالت‌ها و انتقال‌ها
• 33. مثال عملی: FSM برای دشمن در یک بازی اکشن
• 34. معرفی درخت‌های رفتار (Behavior Trees - BTs) به عنوان جایگزین FSM
• 35. گره‌های پایه در درخت رفتار: Sequence, Selector, Parallel
• 36. گره‌های دکوراتور و کامپوزیت (Decorator, Composite Nodes)
• 37. طراحی یک درخت رفتار برای دشمن پیچیده
• 38. پیاده‌سازی درخت رفتار: چارچوب و ابزارها
• 39. مزایای درخت رفتار در مقابل FSM
• 40. عیب‌یابی و اشکال‌زدایی درخت‌های رفتار
• 41. کاربرد BT در طراحی هوش مصنوعی همه‌جانبه
• 42. مثال عملی: BT برای یک NPC با چندین هدف
• 43. مقدمه‌ای بر هوش مصنوعی مبتنی بر Utility
• 44. سیستم‌های امتیازبندی Utility (Scoring Systems)
• 45. توابع ارزیابی (Evaluation Functions) و Normalization
• 46. طراحی یک سیستم Utility برای انتخاب عمل
• 47. مزایا و معایب Utility AI
• 48. هوش مصنوعی مبتنی بر هدف (Goal-Oriented AI - GOAP)
• 49. برنامه ریزی در GOAP: اقدامات (Actions) و شرایط (Conditions)
• 50. پیاده‌سازی GOAP: ساختمان داده‌ها و الگوریتم جستجو
• 51. ترکیب GOAP با سایر سیستم‌ها (مانند Pathfinding)
• 52. مثال عملی: GOAP برای یک کاراکتر با اهداف پویا
• 53. سیستم‌های حسی در هوش مصنوعی بازی
• 54. بینایی (Sight): Cone of Vision, Field of View
• 55. پیاده‌سازی سیستم بینایی: Raycasting و Occlusion
• 56. شنوایی (Hearing): انتشار صدا و برد آن
• 57. پردازش ورودی‌های حسی و فیلتر کردن نویز
• 58. مدیریت حواس چندگانه: ترکیب بینایی و شنوایی
• 59. سیستم حافظه برای AI Agents
• 60. ذخیره‌سازی اطلاعات: حقایق، رویدادها، مکان‌ها
• 61. فراموشی (Forgetting) و کهنگی اطلاعات
• 62. تصمیم‌گیری بر اساس اطلاعات حسی و حافظه
• 63. رفتارهای پیچیده حرکت: تعقیب (Pursuit) و فرار (Evade)
• 64. رفتارهای هدایت (Steering Behaviors) و ترکیب آنها
• 65. اجتناب از موانع پیشرفته (Obstacle Avoidance)
• 66. رفتارهای گروهی: گله (Flocking) و ازدحام (Swarming)
• 67. پیاده‌سازی رفتارهای Flocking (Separation, Alignment, Cohesion)
• 68. مدیریت گروهی از AI Agents
• 69. هوش مصنوعی برای واحدهای نظامی و تاکتیکی (Squad AI)
• 70. ساختارهای فرماندهی و سلسله‌مراتب در گروه
• 71. هماهنگی و ارتباطات بین عوامل هوشمند
• 72. پوشش‌گیری و حرکت تاکتیکی (Cover & Tactical Movement)
• 73. مقدمه‌ای بر هوش مصنوعی تطبیق‌پذیر و یادگیری ماشینی
• 74. یادگیری تقویتی (Reinforcement Learning - RL) در بازی‌ها
• 75. مفاهیم پایه RL: عامل، محیط، حالت، عمل، پاداش
• 76. الگوریتم Q-Learning: اصول و پیاده‌سازی ساده
• 77. کاربرد Q-Learning برای یادگیری رفتارها
• 78. معرفی اجمالی به شبکه‌های عصبی (Neural Networks) در بازی‌ها
• 79. شبکه‌های عصبی برای تشخیص الگو و تصمیم‌گیری
• 80. الگوریتم‌های ژنتیک (Genetic Algorithms) برای تکامل رفتار
• 81. تولید محتوای رویه‌ای (Procedural Content Generation - PCG) با هوش مصنوعی
• 82. یادگیری از بازیکن (Player Modeling) و شخصی‌سازی تجربه
• 83. معماری‌های هوش مصنوعی (AI Architectures) در بازی
• 84. معماری لایه‌ای (Layered Architectures) و مزایای آن
• 85. معماری مبتنی بر پیام (Message-Passing Architectures)
• 86. AIDirector و مدیریت پویای دشواری بازی
• 87. هوش مصنوعی روایی (Narrative AI) و داستان‌سرایی پویا
• 88. سیستم‌های ایجاد احساسات و شخصیت برای NPC ها
• 89. هوش مصنوعی برای بازی‌های نقش‌آفرینی (RPG AI)
• 90. هوش مصنوعی برای بازی‌های استراتژی هم‌زمان (RTS AI)
• 91. هوش مصنوعی برای بازی‌های تیراندازی اول شخص (FPS AI)
• 92. هوش مصنوعی برای بازی‌های ورزشی و شبیه‌سازی
• 93. ابزارهای هوش مصنوعی در موتورهای بازی (Unity ML-Agents, Unreal Engine AI)
• 94. بهینه‌سازی عملکرد و پروفایلینگ هوش مصنوعی
• 95. عیب‌یابی و اشکال‌زدایی (Debugging) سیستم‌های هوش مصنوعی پیچیده
• 96. مقیاس‌پذیری هوش مصنوعی: مدیریت تعداد زیادی عامل
• 97. تست و ارزیابی هوش مصنوعی در بازی
• 98. هوش مصنوعی و طراحی بازی: تعامل طراح و برنامه‌نویس
• 99. روندهای آینده در هوش مصنوعی بازی
• 100. نکات پایانی و منابع برای یادگیری بیشتر