Alfa-beta Ulepszenie minimax Liczba wierzchołk ow w drzewie gry. maksymalnie wd. minimalnie wbd/2c + wdd/2e Algorytmy przeszukiwania drzewa gry 5
|
|
- Zofia Dobrowolska
- 7 lat temu
- Przeglądów:
Transkrypt
1 Zastosowanie metody Samuela doboru współczynników funkcji oceniajacej w programie grajacym w anty-warcaby Daniel Osman promotor: dr hab. inż. Jacek Mańdziuk 1
2 Spis treści Algorytmy przeszukiwania drzewa gry opis algorytmów wyniki Uczenie si e gry w anty-warcaby funkcja oceny metoda Samuela algorytm T D(λ) wyniki 2
3 Anty-warcaby Zasady jak w warcabach Celem jest pozbycie si e własnych pionków 3
4 Algorytmy przeszukiwania drzewa gry Minimax Alfa-beta Tablica transpozycji Heurystyka historyczna Iteracyjne pogłebianie MTD(f), MTD-bi 4
5 Alfa-beta Ulepszenie minimax Liczba wierzchołków w drzewie gry maksymalnie minimalnie w d w d/2 + w d/2 Algorytmy przeszukiwania drzewa gry 5
6 Tablica transpozycji Służy do zapami etywania: oceny stanu gry dokładności tej oceny najlepszego ruchu dla tego stanu Implementacja w postaci tablicy haszujacej Algorytmy przeszukiwania drzewa gry 6
7 Heurystyka historyczna Oceniać ruchy niezależnie od stanu Wykorzystywać oceny do sortowania kolejności odwiedzania nast epników Możliwych ruchów jest nie wi ecej niż 32 x 32 = 24 Algorytmy przeszukiwania drzewa gry 7
8 Iteracyjne pogł ebianie Przeszukiwanie drzewa gry kolejno na gł ebokość d 0, (d 0 + k), (d 0 + 2k), (d 0 + 3k),... Można zatrzymać obliczenia w dowolnym momencie Lepsze posortowanie dzi eki tablicy transpozycji Algorytmy przeszukiwania drzewa gry 8
9 MTD(f) Funkcja MT : (Memory enhanced Test) alfa-beta z zerowym oknem szybkie ustalenie ograniczenia górnego albo dolnego Funkcja MT D(f) wielokrotne wywoływanie funkcji M T w celu ustalenia szukanej wartości parametr f: przybliżenie poczatkowe Najszybszy znany dzisiaj algorytm przeszukiwania drzewa gry Algorytmy przeszukiwania drzewa gry 9
10 MTD-bi Bisekcja Zalety prosty, szybki i tak samo dokładny jak minimax niepotrzebne przybliżenie poczatkowe można stosować z ciagł a funkcja oceny Wady MTD-step Algorytmy przeszukiwania drzewa gry
11 Wyniki czas [s] glebokosc drzewa MM AB TT TT+MO Średni czas oczekiwania na ruch w zależności od gł ebokości drzewa Algorytmy przeszukiwania drzewa gry 11
12 Wyniki czas [s] glebokosc drzewa 0 AB HH TT+MO TT+MO+HH Średni czas oczekiwania na ruch w zależności od gł ebokości drzewa Algorytmy przeszukiwania drzewa gry 12
13 Wyniki MTD F MTD C ID TT+MO+HH czas [s] glebokosc drzewa 0 Średni czas oczekiwania na ruch w zależności od gł ebokości drzewa Algorytmy przeszukiwania drzewa gry 13
14 Wyniki czas [s] TT+MO+HH MTD-bi glebokosc drzewa Średni czas oczekiwania na ruch w zależności od gł ebokości drzewa Algorytmy przeszukiwania drzewa gry 14
15 Uczenie Arthur L. Samuel 15
16 Funkcja oceniajaca Ocena stanu s: S(s, w) = w 1 x 1 (s) + w 2 x 2 (s) w n x n (s) x i - heurystyki Samuela w i - wagi funkcji oceniajacej Uczenie polega na doborze wag w i Uczenie 16
17 Metoda Samuela Bład funkcji oceniajacej: P (t+1) P (t) Uczenie 17
18 Temporal difference learning Algorytm T D(λ) ) t w (t) = α (P (t+1) P (t) i=1 dla λ = 1: metoda Widrowa-Hoffa dla λ = 0: metoda Samuela λ t i w P (i) Uczenie 18
19 Opis przeprowadzonych doświadczeń Gracz uczacy sie Przeciwnicy Gł ebokość przeszukiwania drzewa gry: d = 4 19
20 Problem z remisami Opis przeprowadzonych doświadczeń
21 Problem z remisami Zastosowane rozwiazania: pełna implementacja remisów gra z wieloma przeciwnikami Wzrost skuteczności uczenia Opis przeprowadzonych doświadczeń 21
22 Grupa treningowa - grupa testowa Trening (zdobywanie doświadczenia) jak gracz uczacy sie radzi sobie z bezpośrednimi przeciwnikami Testowanie (możliwość generalizacji) jak gracz uczacy sie radzi sobie z nowymi przeciwnikami Opis przeprowadzonych doświadczeń 22
23 Paramety α i λ Faza I α = 1.0e 4 λ = 0.95 Faza II α = 1.0e 5 λ = 0.7 Wynik zgodny z rezultatami innych badaczy Opis przeprowadzonych doświadczeń 23
24 TD(λ) liczba wygranych wygrane srednia remisy liczba gier liczba punktow wygrane 4 srednia liczba gier Liczba wygranych gracza uczacego sie w grupie treningowej ( przeciwników) oraz liczba zdobytych punktów w grupie testowej (16 przeciwników). Opis przeprowadzonych doświadczeń 24
25 Metody treningu Skład grupy treningowej liczba przeciwników jakość przeciwników Czy zmieniać przeciwników? Jak długo trenować? Opis przeprowadzonych doświadczeń 25
26 Metody treningu liczba wygranych wygrane srednia remisy liczba wygranych wygrane srednia remisy liczba gier x 00 liczba gier Zastosowanie mało efektywnej metody treningu Opis przeprowadzonych doświadczeń 26
27 Ulepszenia Uczenie na porażkach Algorytm TDLeaf Uczenie na ruchach przewidzianych przez gracza uczacego sie Opis przeprowadzonych doświadczeń 27
28 Ulepszenia liczba wygranych wygrane srednia remisy liczba gier x liczba punktow punkty 4 srednia liczba gier Najlepszy uzyskany wynik: trening na grupie zróżnicowanych jakościowo przeciwnikach,,000 gier, uczenie na porażkach. Opis przeprowadzonych doświadczeń 28
29 Zwi ekszenie gł ebokości przeszukiwania drzewa gry liczba wygranych wygrane srednia liczba gier liczba punktow punkty 4 srednia liczba gier Gł ebokość przeszukiwania drzewa gry d = 6 Opis przeprowadzonych doświadczeń 29
30 Zanotowany post ep w nauczaniu 0 90 wygrane srednia wygrane srednia liczba wygranych liczba wygranych liczba gier x 00 liczba gier x 00 Gracz losowy - gracz uczacy sie (trening) Opis przeprowadzonych doświadczeń 30
31 Porównanie z innymi programami zestaw współczynników wygrane przegrane remisy wynik dla TD-GAC program 1 - poziom novice TD-GAC (niski poziom) : TD-GAC (średni poziom) : TD-GAC (wysoki poziom) program 2 - poziom weak : 51 2 TD-GAC (niski poziom) : 1 2 TD-GAC (średni poziom) : 0 TD-GAC (wysoki poziom) : 1 2 program 2 - poziom normal TD-GAC (niski poziom) : 1 TD-GAC (średni poziom) : 0 TD-GAC (wysoki poziom) : 1 2 program 2 - poziom strong TD-GAC (niski poziom) : 1 TD-GAC (średni poziom) : 1 TD-GAC (wysoki poziom) : 1 2 Opis przeprowadzonych doświadczeń 31
32 Gra z ludźmi zestaw współczynników wygrane przegrane remisy wynik dla TD-GAC gracz 1 TD-GAC (niski poziom) : 41 2 TD-GAC (średni poziom) : 51 2 TD-GAC (wysoki poziom) : 1 2 gracz 2 TD-GAC (niski poziom) : 41 2 TD-GAC (średni poziom) : 4 TD-GAC (wysoki poziom) : 2 gracz 3 TD-GAC (niski poziom) : 6 TD-GAC (średni poziom) : 5 TD-GAC (wysoki poziom) : 6 gracz 4 TD-GAC (niski poziom) : 7 TD-GAC (średni poziom) TD-GAC (wysoki poziom) : : 51 2 Opis przeprowadzonych doświadczeń 32
33 Arthur L. Samuel Żył w latach Jeden z pionierów sztucznej inteligencji Napisał program grajacy w warcaby w 1959 Rote learning Generalization learning (Temporal difference learning) 33
34 Podsumowanie T D(λ) jako obiecujaca metoda nauczania Automatyzacja doboru wag bez udziału człowieka Wiele miejsca na popraw e wieksza gł ebokość przeszukiwania drzewa gry różne funkcje oceny w zależności od sytuacji na planszy 34
METODY SZTUCZNEJ INTELIGENCJI 2 Opis projektu
Kamil Figura Krzysztof Kaliński Bartek Kutera METODY SZTUCZNEJ INTELIGENCJI 2 Opis projektu Porównanie metod uczenia z rodziny TD z algorytmem Layered Learning na przykładzie gry w warcaby i gry w anty-warcaby
Bardziej szczegółowoMetoda ewolucyjnego doboru współczynników funkcji oceniającej w antywarcabach
Metoda ewolucyjnego doboru współczynników funkcji oceniającej w antywarcabach Promotor: dr hab. Jacek Mańdziuk Autor: Jarosław Budzianowski Metoda ewolucyjnego doboru współczynników funkcji oceniajacej
Bardziej szczegółowoAlgorytmy dla gier dwuosobowych
Algorytmy dla gier dwuosobowych Wojciech Dudek Seminarium Nowości Komputerowe 5 czerwca 2008 Plan prezentacji Pojęcia wstępne (gry dwuosobowe, stan gry, drzewo gry) Algorytm MiniMax Funkcje oceniające
Bardziej szczegółowoMetody klasyfikacji danych - część 1 p.1/24
Metody klasyfikacji danych - część 1 Inteligentne Usługi Informacyjne Jerzy Dembski Metody klasyfikacji danych - część 1 p.1/24 Plan wykładu - Zadanie klasyfikacji danych - Przeglad problemów klasyfikacji
Bardziej szczegółowoZagadnienia optymalizacji i aproksymacji. Sieci neuronowe.
Zagadnienia optymalizacji i aproksymacji. Sieci neuronowe. zajecia.jakubw.pl/nai Literatura: S. Osowski, Sieci neuronowe w ujęciu algorytmicznym. WNT, Warszawa 997. PODSTAWOWE ZAGADNIENIA TECHNICZNE AI
Bardziej szczegółowoOptymalizacja optymalizacji
7 maja 2008 Wstęp Optymalizacja lokalna Optymalizacja globalna Algorytmy genetyczne Badane czasteczki Wykorzystane oprogramowanie (Algorytm genetyczny) 2 Sieć neuronowa Pochodne met-enkefaliny Optymalizacja
Bardziej szczegółowoKlasyfikator liniowy Wstęp Klasyfikator liniowy jest najprostszym możliwym klasyfikatorem. Zakłada on liniową separację liniowy podział dwóch klas między sobą. Przedstawia to poniższy rysunek: 5 4 3 2
Bardziej szczegółowoPOŁĄCZENIE ALGORYTMÓW SYMULACYJNYCH ORAZ DZIEDZINOWYCH METOD HEURYSTYCZNYCH W ZAGADNIENIACH DYNAMICZNEGO PODEJMOWANIA DECYZJI
POŁĄCZENIE ALGORYTMÓW SYMULACYJNYCH ORAZ DZIEDZINOWYCH METOD HEURYSTYCZNYCH W ZAGADNIENIACH DYNAMICZNEGO PODEJMOWANIA DECYZJI mgr inż. Karol Walędzik k.waledzik@mini.pw.edu.pl prof. dr hab. inż. Jacek
Bardziej szczegółowoOptymalizacja ciągła
Optymalizacja ciągła 5. Metoda stochastycznego spadku wzdłuż gradientu Wojciech Kotłowski Instytut Informatyki PP http://www.cs.put.poznan.pl/wkotlowski/ 04.04.2019 1 / 20 Wprowadzenie Minimalizacja różniczkowalnej
Bardziej szczegółowoATOLL. Wykonali: Aleksandra Kuchta, Łukasz Wójcik, Sztuczna Inteligencja, Semestr trzeci, Kierunek Informatyka, Wydział Informatyki i Zarządzania,
Sztuczna Inteligencja, Semestr trzeci, Kierunek Informatyka, Wydział Informatyki i Zarządzania, Politechnika Poznańska ATOLL Wykonali: Aleksandra Kuchta, WFT, PP, nr 76690, rok IV Łukasz Wójcik, WIiZ,
Bardziej szczegółowoAsocjacyjna reprezentacja danych i wnioskowanie
Asocjacyjna reprezentacja danych i wnioskowanie Wykorzystane technologie JetBrains PyCharm 504 Python 35 Struktura drzewa GRAPH PARAM PARAM ID1 ID2 ID_N params params params param_name_1: param_value_1
Bardziej szczegółowoWPROWADZENIE DO SZTUCZNEJ INTELIGENCJI
POLITECHNIKA WARSZAWSKA WYDZIAŁ MECHANICZNY ENERGETYKI I LOTNICTWA MEL WPROWADZENIE DO SZTUCZNEJ INTELIGENCJI NS 586 Dr inż. Franciszek Dul 6. GRY POSZUKIWANIA W OBECNOŚCI PRZECIWNIKA Gry Pokażemy, w jaki
Bardziej szczegółowoMatlab podstawy + testowanie dokładności modeli inteligencji obliczeniowej
Matlab podstawy + testowanie dokładności modeli inteligencji obliczeniowej Podstawy matlaba cz.ii Funkcje Dotychczas kod zapisany w matlabie stanowił skrypt który pozwalał na określenie kolejności wykonywania
Bardziej szczegółowoTworzenie gier na urządzenia mobilne
Katedra Inżynierii Wiedzy Wykład 11 O czym dzisiaj? labirynty, dużo labiryntów; automaty komórkowe; algorytmy do budowy labiryntów; algorytmy do szukania wyjścia z labiryntów; Blueprints i drzewa zachowań
Bardziej szczegółowoJakość uczenia i generalizacja
Jakość uczenia i generalizacja Dokładność uczenia Jest koncepcją miary w jakim stopniu nasza sieć nauczyła się rozwiązywać określone zadanie Dokładność mówi na ile nauczyliśmy się rozwiązywać zadania które
Bardziej szczegółowoPodstawy OpenCL część 2
Podstawy OpenCL część 2 1. Napisz program dokonujący mnożenia dwóch macierzy w wersji sekwencyjnej oraz OpenCL. Porównaj czasy działania obu wersji dla różnych wielkości macierzy, np. 16 16, 128 128, 1024
Bardziej szczegółowo3. MINIMAX. Rysunek 1: Drzewo obrazujące przebieg gry.
3. MINIMAX. Bardzo wygodną strukturą danych pozwalającą reprezentować stan i przebieg gry (szczególnie gier dwuosobowych) jest drzewo. Węzły drzewa reprezentują stan gry po wykonaniu ruchu przez jednego
Bardziej szczegółowoNarzędzia AI. Jakub Wróblewski jakubw@pjwstk.edu.pl Pokój 312. http://zajecia.jakubw.pl SZTUCZNA INTELIGENCJA (ARTIFICIAL INTELLIGENCE)
Narzędzia AI Jakub Wróblewski jakubw@pjwstk.edu.pl Pokój 312 http://zajecia.jakubw.pl SZTUCZNA INTELIGENCJA (ARTIFICIAL INTELLIGENCE) Nauka o maszynach realizujących zadania, które wymagają inteligencji
Bardziej szczegółowoAlgorytmy i struktury danych
Algorytmy i struktury danych ĆWICZENIE 2 - WYBRANE ZŁOŻONE STRUKTURY DANYCH - (12.3.212) Prowadząca: dr hab. inż. Małgorzata Sterna Informatyka i3, poniedziałek godz. 11:45 Adam Matuszewski, nr 1655 Oliver
Bardziej szczegółowoUczenie sieci radialnych (RBF)
Uczenie sieci radialnych (RBF) Budowa sieci radialnej Lokalne odwzorowanie przestrzeni wokół neuronu MLP RBF Budowa sieci radialnych Zawsze jedna warstwa ukryta Budowa neuronu Neuron radialny powinien
Bardziej szczegółowoTestowanie modeli predykcyjnych
Testowanie modeli predykcyjnych Wstęp Podczas budowy modelu, którego celem jest przewidywanie pewnych wartości na podstawie zbioru danych uczących poważnym problemem jest ocena jakości uczenia i zdolności
Bardziej szczegółowoAlgorytm selekcji Hoare a. Łukasz Miemus
Algorytm selekcji Hoare a Łukasz Miemus 1 lutego 2006 Rozdział 1 O algorytmie 1.1 Problem Mamy tablicę A[N] różnych elementów i zmienną int K, takie że 1 K N. Oczekiwane rozwiązanie to określenie K-tego
Bardziej szczegółowoSztuczna Inteligencja Tematy projektów Sieci Neuronowe
PB, 2009 2010 Sztuczna Inteligencja Tematy projektów Sieci Neuronowe Projekt 1 Stwórz projekt implementujący jednokierunkową sztuczną neuronową złożoną z neuronów typu sigmoidalnego z algorytmem uczenia
Bardziej szczegółowoPRZEWODNIK PO PRZEDMIOCIE
Nazwa przedmiotu: Kierunek: Informatyka Rodzaj przedmiotu: obowiązkowy w ramach treści kierunkowych, moduł kierunkowy oólny Rodzaj zajęć: wykład, laboratorium I KARTA PRZEDMIOTU CEL PRZEDMIOTU PRZEWODNIK
Bardziej szczegółowoObrona rozprawy doktorskiej Neuro-genetyczny system komputerowy do prognozowania zmiany indeksu giełdowego
IBS PAN, Warszawa 9 kwietnia 2008 Obrona rozprawy doktorskiej Neuro-genetyczny system komputerowy do prognozowania zmiany indeksu giełdowego mgr inż. Marcin Jaruszewicz promotor: dr hab. inż. Jacek Mańdziuk,
Bardziej szczegółowoWykład 7 i 8. Przeszukiwanie z adwersarzem. w oparciu o: S. Russel, P. Norvig. Artificial Intelligence. A Modern Approach
(4g) Wykład 7 i 8 w oparciu o: S. Russel, P. Norvig. Artificial Intelligence. A Modern Approach P. Kobylański Wprowadzenie do Sztucznej Inteligencji 177 / 226 (4g) gry optymalne decyzje w grach algorytm
Bardziej szczegółowo1. Znajdowanie miejsca zerowego funkcji metodą bisekcji.
1. Znajdowanie miejsca zerowego funkcji metodą bisekcji. Matematyczna funkcja f ma być określona w programie w oddzielnej funkcji języka C (tak, aby moŝna było łatwo ją zmieniać). Przykładowa funkcja to:
Bardziej szczegółowoElementy inteligencji obliczeniowej
Elementy inteligencji obliczeniowej Paweł Liskowski Institute of Computing Science, Poznań University of Technology 9 October 2018 1 / 19 Perceptron Perceptron (Rosenblatt, 1957) to najprostsza forma sztucznego
Bardziej szczegółowoWYKORZYSTANIE SIECI NEURONOWEJ DO BADANIA WPŁYWU WYDOBYCIA NA SEJSMICZNOŚĆ W KOPALNIACH WĘGLA KAMIENNEGO. Stanisław Kowalik (Poland, Gliwice)
WYKORZYSTANIE SIECI NEURONOWEJ DO BADANIA WPŁYWU WYDOBYCIA NA SEJSMICZNOŚĆ W KOPALNIACH WĘGLA KAMIENNEGO Stanisław Kowalik (Poland, Gliwice) 1. Wprowadzenie Wstrząsy podziemne i tąpania występujące w kopalniach
Bardziej szczegółowoWstęp do programowania INP001213Wcl rok akademicki 2017/18 semestr zimowy. Wykład 9. Karol Tarnowski A-1 p.
Wstęp do programowania INP001213Wcl rok akademicki 2017/18 semestr zimowy Wykład 9 Karol Tarnowski karol.tarnowski@pwr.edu.pl A-1 p. 411B Plan prezentacji Zasada dziel i zwyciężaj Przykłady znajdowanie
Bardziej szczegółowoOprogramowanie Systemów Obrazowania SIECI NEURONOWE
SIECI NEURONOWE Przedmiotem laboratorium jest stworzenie algorytmu rozpoznawania zwierząt z zastosowaniem sieci neuronowych w oparciu o 5 kryteriów: ile zwierzę ma nóg, czy żyje w wodzie, czy umie latać,
Bardziej szczegółowoMetody SI w grach komputerowych Gra Policjanci i złodziej (Algorytmy przeszukiwania grafów)
Metody SI w grach komputerowych Gra Policjanci i złodziej (Algorytmy przeszukiwania grafów) Przemysław Klęsk pklesk@wi.zut.edu.pl Katedra Metod Sztucznej Inteligencji i Matematyki Stosowanej Reguły gry
Bardziej szczegółowoWYMAGAJĄCA REFLEKSU GRA DLA KAŻDEGO 2 5 GRACZY W WIEKU OD 4 LAT
WYMAGAJĄCA REFLEKSU GRA DLA KAŻDEGO 2 5 GRACZY W WIEKU OD 4 LAT Zasady gry Dobble Gdzie jest Dory co to takiego? Dobble Gdzie jest Dory to 30 różnych kart z symbolami pochodzącymi ze świata tego filmu.
Bardziej szczegółowo, a ilość poziomów czynnika A., b ilość poziomów czynnika B. gdzie
Test Scheffego, gdzie (1) n to ilość powtórzeń (pomiarów) w jednej grupie (zabiegu) Test NIR Istnieje wiele testów dla porównań wielokrotnych opartych o najmniejszą istotna różnicę między średnimi (NIR).
Bardziej szczegółowoALGORYTM RANDOM FOREST
SKRYPT PRZYGOTOWANY NA ZAJĘCIA INDUKOWANYCH REGUŁ DECYZYJNYCH PROWADZONYCH PRZEZ PANA PAWŁA WOJTKIEWICZA ALGORYTM RANDOM FOREST Katarzyna Graboś 56397 Aleksandra Mańko 56699 2015-01-26, Warszawa ALGORYTM
Bardziej szczegółowoRekurencje. Jeśli algorytm zawiera wywołanie samego siebie, jego czas działania moŝe być określony rekurencją. Przykład: sortowanie przez scalanie:
Rekurencje Jeśli algorytm zawiera wywołanie samego siebie, jego czas działania moŝe być określony rekurencją. Przykład: sortowanie przez scalanie: T(n) = Θ(1) (dla n = 1) T(n) = 2 T(n/2) + Θ(n) (dla n
Bardziej szczegółowoSZKOLENIE : Grupowe poradnictwo zawodowe i warsztaty aktywizacyjne w praktyce
SZKOLENIE : Grupowe poradnictwo zawodowe i warsztaty aktywizacyjne w praktyce Cel szkolenia: Nabycie praktycznych umiejętności prowadzenia grupowego poradnictwa zawodowego i warsztatów aktywizacyjnych
Bardziej szczegółowoSpadające jabłuszka. licencja CC-BY-SA Uznanie autorstwa Na tych samych warunkach 3.0 Polska. Strona 51
Spadające jabłuszka Materiały opracowane przez Ośrodek Edukacji Informatycznej i Zastosowań Komputerów w Warszawie w ramach programu Warszawa Programuje licencja CC-BY-SA Uznanie autorstwa Na tych samych
Bardziej szczegółowoProgramowanie w VB Proste algorytmy sortowania
Programowanie w VB Proste algorytmy sortowania Sortowanie bąbelkowe Algorytm sortowania bąbelkowego polega na porównywaniu par elementów leżących obok siebie i, jeśli jest to potrzebne, zmienianiu ich
Bardziej szczegółowoAdam Meissner. SZTUCZNA INTELIGENCJA Gry dwuosobowe
Instytut Automatyki i Inżynierii Informatycznej Politechniki Poznańskiej Adam Meissner Adam.Meissner@put.poznan.pl http://www.man.poznan.pl/~ameis SZTUCZNA INTELIGENCJA Gry dwuosobowe Literatura [1] Sterling
Bardziej szczegółowoElementy modelowania matematycznego
Elementy modelowania matematycznego Modelowanie algorytmów klasyfikujących. Podejście probabilistyczne. Naiwny klasyfikator bayesowski. Modelowanie danych metodą najbliższych sąsiadów. Jakub Wróblewski
Bardziej szczegółowoSystemy uczące się wykład 2
Systemy uczące się wykład 2 dr Przemysław Juszczuk Katedra Inżynierii Wiedzy, Uniwersytet Ekonomiczny 19 X 2018 Podstawowe definicje Fakt; Przesłanka; Konkluzja; Reguła; Wnioskowanie. Typy wnioskowania
Bardziej szczegółowoOpenAI Gym. Adam Szczepaniak, Kamil Walkowiak
OpenAI Gym Adam Szczepaniak, Kamil Walkowiak Plan prezentacji Programowanie agentowe Uczenie przez wzmacnianie i problemy związane z rozwojem algorytmów Charakterystyka OpenAI Gym Biblioteka gym Podsumowanie
Bardziej szczegółowoOSTASZEWSKI Paweł (55566) PAWLICKI Piotr (55567) Algorytmy i Struktury Danych PIŁA
OSTASZEWSKI Paweł (55566) PAWLICKI Piotr (55567) 16.01.2003 Algorytmy i Struktury Danych PIŁA ALGORYTMY ZACHŁANNE czas [ms] Porównanie Algorytmów Rozwiązyjących problem TSP 100 000 000 000,000 10 000 000
Bardziej szczegółowoProjekt Sieci neuronowe
Projekt Sieci neuronowe Chmielecka Katarzyna Gr. 9 IiE 1. Problem i dane Sieć neuronowa miała za zadanie nauczyć się klasyfikować wnioski kredytowe. W projekcie wykorzystano dane pochodzące z 110 wniosków
Bardziej szczegółowoDodatkowo planowane jest przeprowadzenie oceny algorytmów w praktycznym wykorzystaniu przez kilku niezależnych użytkowników ukończonej aplikacji.
Spis Treści 1. Wprowadzenie... 2 1.1 Wstęp... 2 1.2 Cel pracy... 2 1.3 Zakres pracy... 2 1.4 Użyte technologie... 2 1.4.1 Unity 3D... 3 2. Sztuczna inteligencja w grach komputerowych... 4 2.1 Zadanie sztucznej
Bardziej szczegółowoZadanie 1: Piętnastka
Informatyka, studia dzienne, inż. I st. semestr VI Sztuczna Inteligencja i Systemy Ekspertowe 2010/2011 Prowadzący: mgr Michał Pryczek piątek, 12:00 Data oddania: Ocena: Grzegorz Graczyk 150875 Marek Rogalski
Bardziej szczegółowoAGAJĄCA REFLEKSU GRA DLA KAŻDEGO DLA 2 5 GRACZY OD 4. ROKU Ż
WYMAGAJĄCA REFLEKSU GRA DLA KAŻDEGO DLA 2 5 GRACZY OD 4. ROKU ŻYCIA. Zasady gry Dobble Auta co to takiego? Gra Dobble Auta składa się z 30 różnych symboli pochodzących ze świata Aut. Na każdej karcie znajduje
Bardziej szczegółowoPole wielokąta. Wejście. Wyjście. Przykład
Pole wielokąta Liczba punktów: 60 Limit czasu: 1-3s Limit pamięci: 26MB Oblicz pole wielokąta wypukłego. Wielokąt wypukły jest to wielokąt, który dla dowolnych jego dwóch punktów zawiera również odcinek
Bardziej szczegółowoIMPREZOWA GRA PEŁNA AKCJI DLA 2 5 GRACZY OD 4. ROKU ŻYCIA
IMPREZOWA GRA PEŁNA AKCJI DLA 2 5 GRACZY OD 4. ROKU ŻYCIA Zasady gry Dobble Plaża co to takiego? Zanurkuj z pluskiem po zwycięstwo wszędzie tam, gdzie porwie Cię fala przygody, dzięki zupełnie nowej, bardzo
Bardziej szczegółowoPobieranie prób i rozkład z próby
Pobieranie prób i rozkład z próby Marcin Zajenkowski Marcin Zajenkowski () Pobieranie prób i rozkład z próby 1 / 15 Populacja i próba Populacja dowolnie określony zespół przedmiotów, obserwacji, osób itp.
Bardziej szczegółowoA Ż D E GO D L A 2 5 DLA K O D 4 . JĄ ZASADY GRY
DLA K A Ż D E GO D L A 2 5 GR AC O D 4 GA CIA WY ŻY MA U. DOBBLE_CARS_3_PL_RULES.indd 1 ZY OK JĄ GRA.R CA R EF LE U KS ZASADY GRY 08.09.2017 16:12:36 Dobble Auta 3 co to takiego? Gra Dobble Auta 3 składa
Bardziej szczegółowoANALIZA JAKOŚCIOWA I ILOŚCIOWA TESTÓW SZKOLNYCH MATERIAŁ SZKOLENIOWY
ANALIZA JAKOŚCIOWA I ILOŚCIOWA TESTÓW SZKOLNYCH MATERIAŁ SZKOLENIOWY Instrukcja przeprowadzania analiz badań edukacyjnych i sporządzania raportów po badaniach. Cele prowadzenia analiz jakościowych i ilościowych
Bardziej szczegółowoSztuczna Inteligencja i Systemy Doradcze
Sztuczna Inteligencja i Systemy Doradcze Przeszukiwanie przestrzeni stanów gry Przeszukiwanie przestrzeni stanów gry 1 Gry a problemy przeszukiwania Nieprzewidywalny przeciwnik rozwiązanie jest strategią
Bardziej szczegółowoHeurystyki. Strategie poszukiwań
Sztuczna inteligencja Heurystyki. Strategie poszukiwań Jacek Bartman Zakład Elektrotechniki i Informatyki Instytut Techniki Uniwersytet Rzeszowski DLACZEGO METODY PRZESZUKIWANIA? Sztuczna Inteligencja
Bardziej szczegółowoTechniki Optymalizacji: Stochastyczny spadek wzdłuż gradientu I
Techniki Optymalizacji: Stochastyczny spadek wzdłuż gradientu I Wojciech Kotłowski Instytut Informatyki Politechniki Poznańskiej email: imię.nazwisko@cs.put.poznan.pl pok. 2 (CW) tel. (61)665-2936 konsultacje:
Bardziej szczegółowoUCZENIE MASZYNOWE I SZTUCZNA INTELIGENCJA Jako narzędzia wspomagania decyzji w zarządzaniu kapitałem ludzkim organizacji
UCZENIE MASZYNOWE I SZTUCZNA INTELIGENCJA Jako narzędzia wspomagania decyzji w zarządzaniu kapitałem ludzkim organizacji Filip Wójcik Wydział Zarządzania, Informatyki i Finansów Instytut Informatyki Ekonomicznej
Bardziej szczegółowoProjekt zaliczeniowy gra PENTAGO
Projekt zaliczeniowy gra PENTAGO Sztuczna Inteligencja, drugi rok informatyki Skład zespołu: Gliwiński Jarosław Marek Kruczyński Konrad Marek Urbanek Paweł J. Grupa dziekańska I5 Poznań, 9. marca 2009
Bardziej szczegółowoDobble? Co to takiego?
SZALONA GRA WYMAGAJĄCA REFLEKSU OD 2 DO 8 GRACZY OD 6. ROKU ŻYCIA GWIEZDNE WOJNY ZASADY GRY Dobble? Co to takiego? Gra Dobble składa się z 55 kart. Na każdej z nich znajduje się 8 różnych symboli z puli
Bardziej szczegółowoAnaliza obrazu. wykład 3. Marek Jan Kasprowicz Uniwersytet Rolniczy 2009
Analiza obrazu komputerowego wykład 3 Marek Jan Kasprowicz Uniwersytet Rolniczy 2009 Binaryzacja Binaryzacja jest jedną z ważniejszych ż czynności punktowego przetwarzania obrazów. Poprzedza prawie zawsze
Bardziej szczegółowoPrzedmiotowe Zasady Oceniania III LO w Łomży. Algorytmika. Klasy II-III
Przedmiotowe Zasady Oceniania III LO w Łomży Klasy II-III Łomża, 2014-2015 2 Przedmiotowe Zasady Oceniania w III LO Łomży Ocenianie - wstęp Należy tak organizować pracę na lekcji (przygotowywać odpowiednie
Bardziej szczegółowoSortowanie. Bartman Jacek Algorytmy i struktury
Sortowanie Bartman Jacek jbartman@univ.rzeszow.pl Algorytmy i struktury danych Sortowanie przez proste wstawianie przykład 41 56 17 39 88 24 03 72 41 56 17 39 88 24 03 72 17 41 56 39 88 24 03 72 17 39
Bardziej szczegółowoTEORETYCZNE PODSTAWY INFORMATYKI
1 TEORETYCZNE PODSTAWY INFORMATYKI WFAiS UJ, Informatyka Stosowana I rok studiów, I stopień Wykład 2 2 Problemy algorytmiczne Klasy problemów algorytmicznych Liczby Fibonacciego Przeszukiwanie tablic Największy
Bardziej szczegółowoTwój wynik: 4 punktów na 6 możliwych do uzyskania (66,67 %).
Powrót Twój wynik: 4 punktów na 6 możliwych do uzyskania (6667 %). Nr Opcja Punkty Poprawna Odpowiedź Rozważmy algorytm AVLSequence postaci: 1 Niech drzewo będzie rezultatem działania algorytmu AVLSequence
Bardziej szczegółowoRÓWNANIA NIELINIOWE Maciej Patan
RÓWNANIA NIELINIOWE Maciej Patan Uniwersytet Zielonogórski Przykład 1 Prędkość v spadającego spadochroniarza wyraża się zależnością v = mg ( 1 e c t) m c gdzie g = 9.81 m/s 2. Dla współczynnika oporu c
Bardziej szczegółowoSCENARIUSZ LEKCJI. - pracować w sposób wytrwały i samodzielny, - pracować zgodnie z pozytywnymi postawami etycznymi, - dobrze organizować pracę,
SCENARIUSZ LEKCJI 1. Informacje wstępne Klasa VI PSP 20 w Opolu Czas trwania zajęć 45 minut Nauczany przedmiot matematyka Nauczyciel przedmiotu Małgorzata Jackowska 2. Program nauczania Matematyka z plusem
Bardziej szczegółowoStefan Sokołowski SZTUCZNAINTELIGENCJA. Inst. Informatyki UG, Gdańsk, 2009/2010
Stefan Sokołowski SZTUCZNAINTELIGENCJA Inst. Informatyki UG, Gdańsk, 2009/2010 Wykład1,17II2010,str.1 SZTUCZNA INTELIGENCJA reguły gry Zasadnicze informacje: http://inf.ug.edu.pl/ stefan/dydaktyka/sztintel/
Bardziej szczegółowomgr inż. Magdalena Deckert Poznań, r. Uczenie się klasyfikatorów przy zmieniającej się definicji klas.
mgr inż. Magdalena Deckert Poznań, 01.06.2010r. Uczenie się klasyfikatorów przy zmieniającej się definicji klas. Plan prezentacji Wstęp Concept drift Typy zmian Podział algorytmów stosowanych w uczeniu
Bardziej szczegółowoPawnographic chess. (Sztuczna inteligencja) Wydzia ł Informatyki i Zarządzania Informatyka. Pozna ń, 25 lutego 2008 r.
Pozna ń, 25 lutego 2008 r. Pawnographic chess (Sztuczna inteligencja) Wydzia ł Informatyki i Zarządzania Informatyka Bartosz Królikowski, 80081, crulik@poczta.onet.pl Fabian Frąckowiak, 80054, fabian.frackowiak@gmail.com
Bardziej szczegółowoWeryfikacja hipotez statystycznych, parametryczne testy istotności w populacji
Weryfikacja hipotez statystycznych, parametryczne testy istotności w populacji Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych Wydział Informatyki Politechniki
Bardziej szczegółowoMetody Sztucznej Inteligencji II
17 marca 2013 Neuron biologiczny Neuron Jest podstawowym budulcem układu nerwowego. Jest komórką, która jest w stanie odbierać i przekazywać sygnały elektryczne. Neuron działanie Jeżeli wartość sygnału
Bardziej szczegółowoSIEĆ NEURONOWA DO OCENY KOŃCOWEJ PRZEDSIĘWZIĘCIA (PROJEKTU)
SIEĆ NEURONOWA DO OCENY KOŃCOWEJ PRZEDSIĘWZIĘCIA (PROJEKTU) 1. Opis problemu - ocena końcowa projektu Projekt jako nowe, nietypowe przedsięwzięcie wymaga właściwego zarządzania. Podjęcie się realizacji
Bardziej szczegółowoAlgorytm grupowania danych typu kwantyzacji wektorów
Algorytm grupowania danych typu kwantyzacji wektorów Wstęp Definicja problemu: Typowe, problemem często spotykanym w zagadnieniach eksploracji danych (ang. data mining) jest zagadnienie grupowania danych
Bardziej szczegółowoLaboratorium 5 Przybliżone metody rozwiązywania równań nieliniowych
Uniwersytet Zielonogórski Wydział Informatyki, Elektrotechniki i Telekomunikacji Instytut Sterowania i Systemów Informatycznych Elektrotechnika niestacjonarne-zaoczne pierwszego stopnia z tyt. inżyniera
Bardziej szczegółowoLekcja 5: Sieć Kohonena i sieć ART
Lekcja 5: Sieć Kohonena i sieć ART S. Hoa Nguyen 1 Materiał Sieci Kohonena (Sieć samo-organizująca) Rysunek 1: Sieć Kohonena Charakterystyka sieci: Jednowarstwowa jednokierunkowa sieć. Na ogół neurony
Bardziej szczegółowoWprowadzenie do uczenia maszynowego
Wprowadzenie do uczenia maszynowego Agnieszka Ławrynowicz 12 stycznia 2017 Co to jest uczenie maszynowe? dziedzina nauki, która zajmuje się sprawianiem aby komputery mogły uczyć się bez ich zaprogramowania
Bardziej szczegółowoUniwersytet w Białymstoku Wydział Ekonomiczno-Informatyczny w Wilnie SYLLABUS na rok akademicki 2012/2013 http://www.wilno.uwb.edu.
SYLLABUS na rok akademicki 01/013 Tryb studiów Studia stacjonarne Kierunek studiów Informatyka Poziom studiów Pierwszego stopnia Rok studiów/ semestr /3 Specjalność Bez specjalności Kod katedry/zakładu
Bardziej szczegółowoWyznaczanie strategii w grach
Wyznaczanie strategii w grach Dariusz Banasiak Katedra Informatyki Technicznej W4/K9 Politechnika Wrocławska Definicja gry Teoria gier i konstruowane na jej podstawie programy stanowią jeden z głównych
Bardziej szczegółowoZawartosc. Cel gry. 4 Planszetki 1 Moneta Kultury 104 Karty, podzielone na 3 Epoki oraz 6 Domen: Epoka III. Epoka II. Epoka I
Gra CIVilizacyjna ze CIV Kartami Zawartosc 4 Planszetki 1 Moneta Kultury 104 Karty, podzielone na 3 Epoki oraz 6 Domen: Armia Religia Ekonomia Nauka Kultura Utopia 8 8 4 4 4 0 28 8 8 4 8 4 0 32 Epoka I
Bardziej szczegółowoMetody Statystyczne. Metody Statystyczne. #8 Błąd I i II rodzaju powtórzenie. Dwuczynnikowa analiza wariancji
gkrol@mail.wz.uw.edu.pl #8 Błąd I i II rodzaju powtórzenie. Dwuczynnikowa analiza wariancji 1 Ryzyko błędu - powtórzenie Statystyka niczego nie dowodzi, czyni tylko wszystko mniej lub bardziej prawdopodobnym
Bardziej szczegółowoPRZYBLI ONE METODY ROZWI ZYWANIA RÓWNA
PRZYBLI ONE METODY ROZWI ZYWANIA RÓWNA Metody kolejnych przybli e Twierdzenie. (Bolzano Cauchy ego) Metody kolejnych przybli e Je eli funkcja F(x) jest ci g a w przedziale domkni tym [a,b] i F(a) F(b)
Bardziej szczegółowoScenariusz zajęć otwartych dla nauczycieli Publicznego Gimnazjum w Pajęcznie prowadzonych przez Iwonę Jędrzejewską
Klasa: Przedmiot: Dział programu: Scenariusz zajęć otwartych dla nauczycieli Publicznego Gimnazjum w Pajęcznie prowadzonych przez Iwonę Jędrzejewską III Matematyka Funkcje Temat: Powtórzenie i utrwalenie
Bardziej szczegółowoInteligentne systemy decyzyjne: Uczenie maszynowe sztuczne sieci neuronowe
Inteligentne systemy decyzyjne: Uczenie maszynowe sztuczne sieci neuronowe Trening jednokierunkowych sieci neuronowych wykład 2. dr inż. PawełŻwan Katedra Systemów Multimedialnych Politechnika Gdańska
Bardziej szczegółowoWojciech Skwirz
1 Regularyzacja jako metoda doboru zmiennych objaśniających do modelu statystycznego. 2 Plan prezentacji 1. Wstęp 2. Część teoretyczna - Algorytm podziału i ograniczeń - Regularyzacja 3. Opis wyników badania
Bardziej szczegółowoPytanie: Kiedy do testowania hipotezy stosujemy rozkład normalny?
Pytanie: Kiedy do testowania hipotezy stosujemy rozkład normalny? Gdy: badana cecha jest mierzalna (tzn. posiada rozkład ciągły); badana cecha posiada rozkład normalny; dysponujemy pojedynczym wynikiem;
Bardziej szczegółowoREKURENCJA W JĘZYKU HASKELL. Autor: Walczak Michał
REKURENCJA W JĘZYKU HASKELL Autor: Walczak Michał CZYM JEST REKURENCJA? Rekurencja zwana rekursją, polega na wywołaniu przez funkcję samej siebie. Algorytmy rekurencyjne zastępują w pewnym sensie iteracje.
Bardziej szczegółowoAlgorytm indukcji klasyfikatora za pomocą EA z automatycznym przełączaniem ukierunkowań
Algorytm indukcji klasyfikatora za pomocą EA z automatycznym przełączaniem ukierunkowań Anna Manerowska, Michal Kozakiewicz 2.12.2009 1 Wstęp Jako projekt na przedmiot MEUM (Metody Ewolucyjne Uczenia Maszyn)
Bardziej szczegółowoMetryczka. Jolanta Fabjańczuk Szkoła Podstawowa im. Edwarda Szymańskiego w Stoczku ul. Węgrowska Stoczek
Metryczka Jolanta Fabjańczuk Szkoła Podstawowa im. Edwarda Szymańskiego w Stoczku ul. Węgrowska 34 07-104 Stoczek Do napisania tego scenariusza skłonił mnie artykuł p. Agnieszki Demby Matematyka w nauczaniu
Bardziej szczegółowomgr inż. Magdalena Deckert Poznań, r. Metody przyrostowego uczenia się ze strumieni danych.
mgr inż. Magdalena Deckert Poznań, 30.11.2010r. Metody przyrostowego uczenia się ze strumieni danych. Plan prezentacji Wstęp Concept drift i typy zmian Algorytmy przyrostowego uczenia się ze strumieni
Bardziej szczegółowoPOSZUKIWANIE ZER FUNKCJI F(x). Zad. 2. Korzystając z metody punktu stałego znaleźć miejsce zerowe funkcji f(x) =
POSZUKIWANIE ZER FUNKCJI F(x). Metoda punktu stałego f(x) = x g(x) = 0 i szukamy punktu stałego wyrażenia x = g(x). Algorytm metody: x 0 =... for k = 1, 2,... x k = g(x k 1 ) if (znaleziono zero funkcji),
Bardziej szczegółowoWIELOCZUJNIKOWE NADZOROWANIE STANU NARZĘDZI
Posiedzenie Sekcji Podstaw Technologii Komitetu Budowy Maszyn Polskiej Akademii Nauk 20 kwietnia 2004 WIELOCZUJNIKOWE NADZOROWANIE STANU NARZĘDZI prof. dr hab. inż. Krzysztof Jemieniak Plan prezentacji
Bardziej szczegółowoProgramowanie Funkcyjne. Prezentacja projektu, 7 stycznia 2008, Juliusz Sompolski
Programowanie Funkcyjne Prezentacja projektu, 7 stycznia 2008, Juliusz Sompolski Projekt Uniwersalny szablon pozwalający w łatwy sposób podłączać do siebie różne gry (lub ogólniejszą zawartość). Dla gier
Bardziej szczegółowoP R Z E T W A R Z A N I E S Y G N A Ł Ó W B I O M E T R Y C Z N Y C H
W O J S K O W A A K A D E M I A T E C H N I C Z N A W Y D Z I A Ł E L E K T R O N I K I Drukować dwustronnie P R Z E T W A R Z A N I E S Y G N A Ł Ó W B I O M E T R Y C Z N Y C H Grupa... Data wykonania
Bardziej szczegółowoGra: Partnerstwo biznesowe
Gra: Partnerstwo biznesowe Opis: Gra uczy partnerstwa biznesowego. Pokazuje jakie są jego zalety i wady. Pozwala uczestnikom szkolenia odkryć główny powód, dla którego firmy tworzą partnerstwa biznesowe.
Bardziej szczegółowoMiędzynarodowy Turniej Piłki Nożnej LUBLIN 2014
Międzynarodowy Turniej Piłki Nożnej LUBLIN 0 REGULAMIN TURNIEJU. Uczestnicy: w turnieju uczestniczą zespoły piłkarskie z Lublina oraz miast partnerskich, każdy z zespołów składa się z 0 zawodników oraz
Bardziej szczegółowoSZTUCZNA INTELIGENCJA
Stefan Sokołowski SZTUCZNA INTELIGENCJA Inst Informatyki UG, Gdańsk, 2009/2010 Wykład1,17II2010,str1 SZTUCZNA INTELIGENCJA reguły gry Zasadnicze informacje: http://infugedupl/ stefan/dydaktyka/sztintel/
Bardziej szczegółowoPrzedmiotem rozważań są zależności pomiędzy obliczeniami maszynowymi a ludzką inteligencją
lgorytmiczna inteligencja czyli sztuczna inteligencja (ang. I) Przedmiotem rozważań są zależności pomiędzy obliczeniami maszynowymi a ludzką inteligencją nie wymagamy deterizmu DETERMINISTYCZNE SEKWENCYJNE
Bardziej szczegółowoMetody numeryczne I Równania nieliniowe
Metody numeryczne I Równania nieliniowe Janusz Szwabiński szwabin@ift.uni.wroc.pl Metody numeryczne I (C) 2004 Janusz Szwabiński p.1/66 Równania nieliniowe 1. Równania nieliniowe z pojedynczym pierwiastkiem
Bardziej szczegółowo