Učení vzorů ve hře Go
| Název práce v češtině: | Učení vzorů ve hře Go |
|---|---|
| Název v anglickém jazyce: | Pattern learning in Game Go |
| Akademický rok vypsání: | 2016/2017 |
| Typ práce: | diplomová práce |
| Jazyk práce: | |
| Ústav: | Katedra teoretické informatiky a matematické logiky (32-KTIML) |
| Vedoucí / školitel: | RNDr. Jan Hric |
| Řešitel: | skrytý - zadáno a potvrzeno stud. odd. |
| Datum přihlášení: | 28.02.2017 |
| Datum zadání: | 24.04.2017 |
| Datum potvrzení stud. oddělením: | 04.05.2017 |
| Zásady pro vypracování |
| Cílem práce je aplikovat dolování dat (data mining) na partie silných hráčů v go a najít vzory a/anebo
sekvence, které se často v partiích vyskytují. Vzory se budou chápat široce a ve vzorech se použijí také informace specifické pro doménu. Práce prozkoumá, jak lze vzory použít pro předpovídání tahů, případně pro hledání chyb hráčů, a pro hru bez prohledávání (například pro playouty v Monte Carlo Tree Search [2]) a dále které informace ve vzorech jsou pro úspěch v těchto úlohách podstatné. Případně zda a jak lze zlepšit úspěšnost uvedených úloh dalším učením na úrovni vzorů, například pomocí zpětnovazebného učení.[3] Jedna z možností pro porovnávání kvality vzorů je založena na Elo ratingu.[4] |
| Seznam odborné literatury |
| [1] P. Norvig, S. Russell: Artificial Intelligence, A Modern Approach, Prentice Hall,
2003 [2] David Silver, Richard S. Sutton, Martin Müller: Reinforcement Learning of Local Shape in the Game of Go. IJCAI 2007: 1053-1058 [3] C. Browne, E. Powley, D. Whitehouse et. al., A Survey of Monte Carlo Tree Search Methods. IEEE Transactions on Computational Intelligence and AI in Games, IEEE, vol. 4, No. 1, 2012 [4] Rémi Coulom, Computing Elo Ratings of Move Patterns in the Game of Go, ICGA Journal, 2007 |
| Předběžná náplň práce |
| Navrhnout druhy a strukturu vzorů vhodné pro Go a
následně navrhnout systém pro jejich automatické (iterované) učení na základě záznamů a výsledků partií. Sylvain Gelly, David Silver, Combining online and offline knowledge in UCT. In: ICML'07: Proceedings of the 24th International Conference on Machine Learning, New York, USA, ACM 2007, pp. 273-280 |