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 SizeFormat 
monopoli10029824.pdf1.89 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.