Pantheon Institutional repository
Collect, preserve and disseminate digital academic production in all areas of knowledge.
Comprise the assets of the repository, in addition to theses and dissertations at UFRJ, scientific articles, electronic books, book chapters and papers presented at events for teachers, researchers, administrative staff and students of master's and doctoral degrees.
Please use this identifier to cite or link to this item:
http://hdl.handle.net/11422/18241| Type: | Trabalho de conclusão de graduação |
| Title: | Aprendizado por reforço com aproximadores não lineares aplicados a jogos eletrônicos |
| Other Titles: | Reinforcement learning with non-linear approximants applied to electronic games |
| Author(s)/Inventor(s): | Cano, Lyang Higa |
| Advisor: | Evsukof, Alexandre Gonçalves |
| Abstract: | A Inteligência Artificial tem se tornado cada vez mais importante no mundo atual e o Aprendizado por Reforço tem ocupado uma área de destaque. No entanto, ainda há diversos problemas em aberto, como o problema de Convergência de Política Ótima, que ocorre ao combinar três elementos essenciais, o Bootstrapping, a metodologia Off-Policy e os Aproximadores Não Lineares. Até que o Artigo Human Level Control Through Deep Reinforcement Learning [1] do grupo de pesquisa Deep Mind propõem uma nova abordagem que consegue contornar tal problema. Este trabalho tem como objetivo apresentar cada um destes três elementos, apresentar o Problema de Convergência de Política Ótima, verificar a abordagem proposta pelo Artigo [1], realizar um novo teste e avaliar se tal proposta é realmente eficaz. A contribuição deste trabalho consiste primeiramente na revisão bibliográfica deste tema, que é extenso e complexo, numa análise profunda do Artigo [1], especialmento do Algoritmo Deep Q-Network, e por fim em uma nova avaliação através de experimentos em um ambiente diferente dos utilizados no Artigo |
| Keywords: | Aprendizado Por Reforço IA |
| Subject CNPq: | CNPQ::ENGENHARIAS |
| Production unit: | Escola Politécnica |
| Publisher: | Universidade Federal do Rio de Janeiro |
| Issue Date: | Aug-2019 |
| Publisher country: | Brasil |
| Language: | por |
| Right access: | Acesso Aberto |
| Appears in Collections: | Engenharia de Computação e Informação |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| monopoli10029824.pdf | 1.89 MB | Adobe PDF | View/Open |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.