inteligência artificial para jogos - machine learning

8/8/2019 Inteligncia Artificial para Jogos - Machine Learning

1/15

Inteligncia Artificial

para JogosMachine Learning

GT-JEDI Jogos Digitais

Inteligncia Artificial para JogosUNISINOS

Prof. MSc. Joo Ricardo Bittencourt

Update: 19 Out. 2010

[email protected]

Agradeo e dedico estas

aulas ao Prof. Osrio

Tome a plula

vermelha
http://creativecommons.org/licenses/by-nc-sa/2.5/br/


2/15

UNISINOS - Joo Ricardo Bittencourt

Sumrio Conceitos bsicos Modelo de Aprendizagem Modos de Aprendizado Bibliografia de Machine Learning


3/15


Conceitos bsicos O que Aprendizado?

Adaptao de comportamento Melhorar o desempenho Evitar de repetir os mesmos erros Interao com meio Experimentao Usar a experincia

Generalizar Criar regras gerais


4/15


Conceitos bsicos E o aprendizado nos jogos?

Aprender comportamentos Criar novas estratgias Ao/Reao Colocados nos agentes inteligentes


5/15


Conceitos bsicos Conceitos bsicos para aprendizagem

Experincia & Memria Casos passados Otimizao & Adaptao Medida de

desempenho Interao Passivo ou ativo Gerao de Novos Conhecimentos

(generalizao)


6/15


Modelo de Aprendizagem

Mitchell,1997

TarefaP(x)

Funo de

Avaliao

Experincia

(Casos passados)


7/15UNISINOS - Joo Ricardo Bittencourt

Modelo de Aprendizagem

Mitchell,1997

BOTKill Player!

P(x)Tempo para

eliminar o

player

Partida 1, tempo1

Partida 2, tempo2

...

Partida n, tempo n



Modelo de Aprendizagem Ir existir uma funo ideal (funo alvo) dada

uma determinada situao a melhor ao F(s) A

Este mapeamento na maioria das vezes vairequerer alto custo computacional

Utiliza-se uma funo de aproximao Reduzir a complexidade, mas adiciona algum

nvel de erro comum usarmos tcnicas de aprendizagem

de mquinas como funo de aproximao



Modelo de Aprendizagem Para termos um problema de aprendizagem de

mquinas necessrio ter (Mitchell) Um tarefa Uma base de experincias Uma funo de avaliao Conhecermos a funo alvo Definirmos uma funo de aproximao

(heurstica)



Modos de Aprendizado

Aprendizado

Indutivo

AprendizadoSupervisionado

AprendizadoNo-Supervisionado

Classificao Regresso(aprox. funes)

Exemplos

AgrupamentoProfessor

Classes

Valores

estimados

Redes Neurais ArtificiaisMLP Backpropagation (conex.)

Induo de rvores de DecisoC4.5 (simb)


Regresso Linear

CBRK-NNK-Means

Outras tcnicas

Alg. GenticosAprediz.Bayesiana




Aprendizado

Indutivo




Exemplos


Classes

Valores

estimados


Induo de rvores de DecisoC4.5 (simb)

Reinforcement Learning

Q-Learning

CBRK-NNK-Means

Aprendizado

Semi-Supervisionado




Aprendizado

Indutivo




Exemplos


Classes

Valores

estimados



Modos de Aprendizado Tudo deve comear com os exemplos!

Conjunto de exemplos Induzir Conhecimento

Conhecimento inferido a partir da prtica, dosexemplos



Bibliografica bsica Softwares

C4.5 http://www.cse.unsw.edu.au/~quinlan/ Dtree http://fuzzy.cs.uni-magdeburg.de/~borgelt/

Weka http://www.cs.waikato.ac.nz/ml/weka/ R http://www.r-project.org/ ITI http://www.cs.umass.edu/~lrn/iti/ AQ Family http://www.mli.gmu.edu/msoftware.html See5 http://www.rulequest.com/ CART http://www.salford-systems.com/ Clementine http://www.spss.com/clementine/



Bibliografica bsica Machine Learning. Tom Mitchell, 1998. Sistemas Inteligentes. Solange Rezende, 2003. Redes Neurais. Simon Haykin, 2001. C4.5: Programs for machine learning. Ross

Quinlan, 1993 Raciocnio Baseado em Casos. Von Wangenheim,

2003.

inteligência artificial para jogos - machine learning

Documents