Aprendizado por reforço com aproximadores não lineares aplicados a jogos eletrônicos

Cano, Lyang Higa

Please use this identifier to cite or link to this item: http://hdl.handle.net/11422/18241

Full metadata record

DC Field	Value	Language
dc.contributor.advisor	Evsukof, Alexandre Gonçalves	-
dc.contributor.author	Cano, Lyang Higa	-
dc.date.accessioned	2022-08-05T21:41:51Z	-
dc.date.available	2023-12-21T03:00:22Z	-
dc.date.issued	2019-08	-
dc.identifier.uri	http://hdl.handle.net/11422/18241	-
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	IA	pt_BR
dc.title	Aprendizado por reforço com aproximadores não lineares aplicados a jogos eletrônicos	pt_BR
dc.title.alternative	Reinforcement learning with non-linear approximants applied to electronic games	pt_BR
dc.type	Trabalho de conclusão de graduação	pt_BR
dc.contributor.referee1	Figueiredo, Daniel Ratton	-
dc.contributor.referee2	Resende Junior, Fernando Gil Vianna	-
dc.description.resumo	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	pt_BR
dc.publisher.country	Brasil	pt_BR
dc.publisher.department	Escola Politécnica	pt_BR
dc.publisher.initials	UFRJ	pt_BR
dc.subject.cnpq	CNPQ::ENGENHARIAS	pt_BR
dc.embargo.terms	aberto	pt_BR
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

Show simple item record Recommend this item View Statistics

Pantheon Institutional repository