Или почему в Сказке игроки не могут создавать города самостоятельно. Хотя могут прокладывать дороги и менять ландшафт.
Заголовок звучит заумно, но суть проста: интересность игры зависит от вариативности геймплея, которая определяется связями между элементами игры.
Обновлено 5 ноября.
Работу нашёл. Пост оставляю для истории.
15 лет в разработке ПО, 13 — в геймдеве, 9 — в топ геймдев компаниях.
Специализируюсь на решении нетипичных задач, наведении порядка, разработке backend.
Не привязан к технологиям, легко переключаюсь на выгодные для текущего проекта.
Резюме: ru, [en](absolute:/en/cv}.
Рассматриваю позиции CTO, Tech/Team Lead или R&D разработчика.
Не рассматриваю:
Отвожу время на поиск до начала ноября. То есть принять офер смогу только в начале ноября.
Рассматриваю только продуктовые компании.
Важно наличие бонусов / опционов / процентов от прибыли с чёткими критериями их получения. Если такого нет, то буду рассчитывать на прямую компенсацию в зарплате.
Планирую уезжать на запад. Поэтому либо релокация в течение года, либо возможность удалённой работы.
P.S. Из всего могут быть исключения, но для каждого исключения нужен повод.
Или как написать том «Войны и мира» за 2 года.
В июне 2019 я уволился из Melsoft и ушёл в творческий отпуск, который длится вот уже 2 года и 2 месяца. Пора подводить итоги.
Расскажу зачем я это сделал, чем занимался, что получилось, что не получилось, какие впечатления остались.
Кратко: всем рекомендую.
Эссе по итогам нырка в Deep Learning, но не о DL и даже не совсем о Machine Learning, а о новой парадигме программирования, которая рождается из него.
Собственно, нейронные сети я смотрел не потому, что интересуюсь именно ими, а потому что они сейчас демонстрируют наибольший прогресс и характерные черты этой парадигмы.
В следствие выбранной темы, эссе получилось футурологическим и абстрактным. Например, я не буду перечислять области применения DL и достигнутые в них результаты — этим итак всё инфопространство забито.
Оговорка раз: я определённо не эксперт в машинном обучении. Эссе в большей степени отражает мой опыт и картину мира, нежели знания и понимание ML и DL.
Оговорка два: термины «признак», «feature» будут использоваться достаточно вольно.
В завершение разбирательства с Deep Learning решил посмотреть что-нибудь более интересное и ориентированное на генерацию контента — реализовать GAN.
По правде говоря, большую часть времени с GAN (и Autoencoder) я экспериментировал на спрайтах карты Сказки. Ожидаемо, на таком мизере обучающих данных ничего интересного не получилось. Хотя польза и была. Поэтому для поста я подготовил отдельный notebook с более наглядными результатами — генерацией обуви по набору данных Fashion MNIST.
Ноутбук с реализацией GAN и комментариями.
Про архитектуру GAN лучше почитать в вики, интернетах или моём ноутбуке.
Краткая суть:
Если правильно подобрать топологии сетей и параметры обучения, то в итоге генератор научается создавать картинки неотличимые от оригинальных. ??????. Profit.