Prejsť na obsah
dizertácie

Dovoľujeme si oznámiť, že dňa

24. 8. 2015 o 15.00 hod.

sa uskutoční na Fakulte informatiky a informačných technológií STU v Bratislave
Ilkovičova 2, v miestnosti 4.08 obhajoba dizertačnej práce

Ing. Ladislava Clementisa

Názov dizertačnej práce:   Study of game strategy emergence by using neural networks
Štúdium emergencie stratégie hry pomocou neurónových sietí
Odbor:   9.2.9 Aplikovaná informatika

Školiteľ:

    prof. Ing. Vladimír Kvasnička, DrSc. - FIIT STU v Bratislave

Oponenti dizertačnej práce:

    prof. Ing. Igor Farkaš, PhD. - FMFI UK v Bratislave
    prof. Ing. Peter Sinčák, PhD. - FEI TU v Košiciach

Abstrakt:

    Systémy umelej inteligencie využívajú rôzne techniky strojového učenia pre získanie požadovaného funkčného správania sa. Najvyužívanejšie prístupy umelej inteligencie sú pravidlové systémy a prístupy využívajúce umelé neurónové siete. Cieľom práce je štúdia emergencie stratégie hry v neurónovej sieti. Hry všeobecne sú z hľadiska umelej inteligencie zaujímavé, lebo sú často výpočtovo zložité vzhľadom na ich jednoduchú definíciu, prostredie, pravidlá a ciele. V práci sa venujeme konkrétne hre Námorná bitka. Pomocou symbolického a subsymbolického prístupu umelej inteligencie navrhneme a implementujeme riešenia ktoré budú schopné sa adaptovať pre riešenie problému hrania hry Námorná bitka. Ako metódy strojového učenia využijeme učenie s učiteľom a učenie posilňovaním, označované aj ako učenie s odmenou a trestom. Na základe výsledkov porovnáme symbolický a subsymbolický prístup a vyhodnotíme metódy strojového učenia pri procese učenia sa stratégie hry Námorná bitka. Pomocou výsledkov preukážeme že neurónová sieť je schopná sa adaptovať pre riešenie hry Námorná bitka pomocou učenia posilňovaním. Ukážeme že neurónová sieť je adaptovateľná pomocou učenia posilňovaním na úroveň racionálneho hráča.

    Artificial intelligence systems use many various machine learning techniques to acquire desired functional behavior. The most used artificial intelligence approaches are symbolic rule-based systems and sub-symbolic neural networks. The main objective of this work is to study the game strategy emergence by using neural networks. From the viewpoint of artificial intelligence, games in general are interesting. Board games are often complex even if their definitions, rules and goals are simple. In this work we focus on solving the Battleship game by neural networks. We design and implement solutions based on using symbolic and sub-symbolic artificial intelligence approaches to solve the Battleship game. We use machine learning techniques as the supervised learning and the reinforcement learning for this purpose. We compare symbolic and sub-symbolic approach by using simulation results. We compare machine learning techniques used. Our results have shown that neural network is capable to learn Battleship game strategy by using reinforcement learning. Neural network is capable of being adapted to a level of rational player by using reinforcement learning.

    Autoreferát dizertačnej práce zaslaný do vedeckého časopisu Information Sciences and Technologies - Bulletin of ACM Slovakia

Dizertačná práca je k nahliadnutiu na Študijnom oddelení FIIT STU.