Globoko okrepitveno učenje za igranje iger na podlagi video vhoda : magistrsko delo

Bozhinova, Monika

| | SLO | ENG | Piškotki in zasebnost

Večja pisava | Manjša pisava

Prva stran > Izpis gradiva

Izpis gradiva

Naslov:	Globoko okrepitveno učenje za igranje iger na podlagi video vhoda : magistrsko delo
Avtorji:	ID Bozhinova, Monika (Avtor) ID Strnad, Damjan (Mentor) Več o mentorju...
Datoteke:	MAG_Bozhinova_Monika_2021.pdf (2,16 MB) MD5: A8555C713D5D6B97A0BAA03C1473C248 PID: 20.500.12556/dkum/5d9a358e-6fb9-42ab-973f-584c0d32e4a4
Jezik:	Slovenski jezik
Vrsta gradiva:	Magistrsko delo/naloga
Tipologija:	2.09 - Magistrsko delo
Organizacija:	FERI - Fakulteta za elektrotehniko, računalništvo in informatiko
Opis:	V magistrskem delu smo se ukvarjali z okrepitvenim učenjem agentov za igranje računalniških iger. V ta namen smo implementirali tri modele agenta, ki temeljijo na uporabi nevronske mreže za aproksimacijo funkcije vrednosti akcij, in predlagali lastno izboljšano arhitekturo dvobojevalne dvojne Q-mreže. Učenje smo izvajali na igrah Pong in Beamrider iz nabora iger Atari 2600. Ugotovili smo, da z našim pristopom dosežemo boljšo zmogljivost agenta kot globoka Q-mreža, dvojna globoka Q-mreža in dvojna globoka Q-mreža z dvobojevalno arhitekturo v igri Pong, medtem ko se v igri Beamrider agent uči počasneje, predvidoma zaradi šuma v drugačni predstavitvi stanja, ki ga predlagani model uporablja.
Ključne besede:	globoko okrepitveno učenje, nevronske mreže, globoka Q-mreža, dvobojevalna arhitektura, igre Atari, Pong, Beamrider
Kraj izida:	Maribor
Kraj izvedbe:	Maribor
Založnik:	M. Bozhinova]
Leto izida:	2021
Št. strani:	XII, 52 str.
PID:	20.500.12556/DKUM-80671
UDK:	004.85:004.96(043.2)
COBISS.SI-ID:	83074563
Datum objave v DKUM:	20.10.2021
Število ogledov:	1151
Število prenosov:	108
Metapodatki:
Področja:	KTFMB - FERI
:	Kopiraj citat

Skupna ocena:	(0 glasov)
Vaša ocena:	Ocenjevanje je dovoljeno samo prijavljenim uporabnikom.
Objavi na:

Postavite miškin kazalec na naslov za izpis povzetka. Klik na naslov izpiše podrobnosti ali sproži prenos.

Licence

Licenca:	CC BY 4.0, Creative Commons Priznanje avtorstva 4.0 Mednarodna

Povezava:	http://creativecommons.org/licenses/by/4.0/deed.sl
Opis:	To je standardna licenca Creative Commons, ki daje uporabnikom največ možnosti za nadaljnjo uporabo dela, pri čemer morajo navesti avtorja.
Začetek licenciranja:	28.09.2021

Sekundarni jezik

Jezik:	Angleški jezik
Naslov:	Deep reinforcement learning for playing games based on video input
Opis:	In the master's thesis, we dealt with reinforcement learning of agents for playing computer games. To this end, we implemented three agent models based on the use of neural networks as action value function approximators, and proposed our own improved architecture of the dueling double Q-network. We conducted the training on the games Pong and Beamrider from the Atari 2600 games. We found that with our approach we achieve better agent performance than deep Q-networks, double deep Q-networks and double deep Q-networks with dueling architecture in the game Pong, while in Beamrider the agent learns more slowly, presumably due to the noise in the different representation of the state used by the proposed model.
Ključne besede:	deep reinforcement learning, neural networks, deep Q-network, dueling architecture, Atari games, Pong, Beamrider

Komentarji

Dodaj komentar

Za komentiranje se morate prijaviti.

Komentarji (0)

0 - 0 / 0

Ni komentarjev!

Nazaj