dc.contributor.advisor | Καλλές, Δημήτριος | |
dc.contributor.author | Γκεζερλής, Σπύρος | |
dc.contributor.other | Gκezerlis, Spyros | |
dc.coverage.spatial | Κύπρος | el_GR |
dc.date.accessioned | 2012-11-06 | |
dc.date.accessioned | 2012-11-06T09:34:29Z | |
dc.date.available | 2012-11-06T09:34:29Z | |
dc.date.copyright | 2012-08 | |
dc.date.issued | 2012-11-06 | |
dc.identifier.other | ΠΛΗ/2012/00050 | el_GR |
dc.identifier.uri | http://hdl.handle.net/11128/1089 | |
dc.description | Περιέχει βιβλιογραφικές παραπομπές. | el_GR |
dc.description.abstract | Το αντικείμενο είναι η αξιοποίηση υπάρχουσας τεχνογνωσίας και τεχνολογίας πάνω στην
χρήση της ενισχυτικής μάθησης για την αυτόματη ανακάλυψη τακτικής σε ένα παιχνίδι,
ώστε ο μηχανισμός μάθησης να χρησιμοποιηθεί σε νέα, υπό σχεδίαση παιχνίδια.
Στην προτεινόμενη εργασία επιχειρούμε να σχεδιάσουμε ένα νέο παιχνίδι (ανταγωνιστικό,
μεταξύ δυο παιχτών) και να επικυρώσουμε ορισμένες ιδιότητες του (πχ ισορροπία
αποτελεσμάτων με βάση το τυχαίο παιχνίδι, ταχύτητα μηχανικής μάθησης με βάση την
πολυπλοκότητα του παιχνιδιού, κλπ) και τη δυνατότητα του υπολογιστή να μαθαίνει από
παρατήρηση παικτών (υπολογιστικών η μη).
Χρησιμοποιούμε τις υπάρχουσες υλοποιήσεις και επεκτεινόμαστε αξιοποιώντας μόνο τη
συνιστώσα της ενισχυτικής μάθησης. | el_GR |
dc.format.extent | 62 σ. πιν. 30 εκ. | el_GR |
dc.language | gr | el_GR |
dc.language.iso | gr | el_GR |
dc.subject | Τεχνολογία λογισμικού | el_GR |
dc.subject | Software engineering | el_GR |
dc.title | Μηχανισμοί μάθησης και η χρήση τους στην επικύρωση της ποιότητας νέων παιγνίων | el_GR |
dc.type | Μεταπτυχιακή Διατριβή | el_GR |
dc.description.translatedabstract | Machine Learning Mechanisms and their Use in Validating the Quality of Novel Games
Our objective is to use existing knowhow with reinforcement learning and its implementation
technology to automatically discover tactics in a game, so that the learning mechanisms can
be used in novel games, currently uder developement.
In this thesis we are trying to design a new zero-sum between two players and validate its
properties (e.g fairness based on a random game, learning speed based on its complexity etc.)
and the computers ability to learn by observing other players (humans or not). | el_GR |
dc.format.type | pdf | el_GR |