Please use this identifier to cite or link to this item:
http://hdl.handle.net/11422/14791
Full metadata record
DC Field | Value | Language |
---|---|---|
dc.contributor.advisor | Menasché, Daniel Sadoc | - |
dc.contributor.author | Montalvão, Tiago Carvalho Gomes | - |
dc.date.accessioned | 2021-08-16T22:54:00Z | - |
dc.date.available | 2023-12-21T03:08:06Z | - |
dc.date.issued | 2021-06-17 | - |
dc.identifier.uri | http://hdl.handle.net/11422/14791 | - |
dc.language | por | pt_BR |
dc.publisher | Universidade Federal do Rio de Janeiro | pt_BR |
dc.rights | Acesso Aberto | pt_BR |
dc.subject | Aprendizado por reforço | pt_BR |
dc.subject | Aprendizado computacional | pt_BR |
dc.subject | Inteligência artificial | pt_BR |
dc.subject | Redes neurais | pt_BR |
dc.title | Aplicando modelos de aprendizado por reforço profundo em um jogo adversário | pt_BR |
dc.type | Trabalho de conclusão de graduação | pt_BR |
dc.contributor.advisorLattes | http://lattes.cnpq.br/9931198850020140 | pt_BR |
dc.contributor.authorLattes | http://lattes.cnpq.br/3988000608743699 | pt_BR |
dc.contributor.referee1 | Silva, João Carlos Pereira da | - |
dc.contributor.referee1Lattes | http://lattes.cnpq.br/9413102524215939 | pt_BR |
dc.contributor.referee2 | Caarls, Wouter | - |
dc.contributor.referee2Lattes | http://lattes.cnpq.br/1164394299894445 | pt_BR |
dc.description.resumo | Este trabalho tem como objetivo explorar a área de aprendizado por reforço profundo, que tem apresentado grandes evoluções nos últimos anos e é considerada por diversos pesquisadores a área mais próxima da chamada Inteligência Artificial Geral ou Inteligência Artificial Forte. Uma variação do jogo da velha é apresentada e um modelo é proposto para o treinamento de um agente inteligente capaz de jogar este jogo, de tal forma que as ações do agente combinam uma parte numérica com uma parte categórica. Para isto, este trabalho introduz grande parte da modelagem encontrada na área de Aprendizado por Reforço Profundo. São exploradas diversas configurações para o treinamento deste agente a fim de validar a que apresenta o melhor desempenho no jogo. A pontuação é calculada com base em partidas contra um agente proposto ao longo do trabalho que age em partes de forma aleatória e em partes de forma inteligente. Por fim, são apresentados os resultados obtidos nos experimentos, desafios encontrados e propostas de melhoria para trabalhos futuros. | pt_BR |
dc.publisher.country | Brasil | pt_BR |
dc.publisher.department | Instituto de Computação | pt_BR |
dc.publisher.initials | UFRJ | pt_BR |
dc.subject.cnpq | CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::TEORIA DA COMPUTACAO::LOGICAS E SEMANTICA DE PROGRAMAS | pt_BR |
dc.embargo.terms | aberto | pt_BR |
Appears in Collections: | Ciência da Computação |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
TCGMontalvao.pdf | 877.19 kB | Adobe PDF | View/Open |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.