PYXIDA Institutional Repository
and Digital Library
 Home
Collections :

Title :Deep reinforcement learning for playing games
Alternative Title :Βαθιά ενισχυτική μάθηση για παιχνίδια
Creator :Nikoloutsopoulos, Sotirios
Contributor :Titsias, Mixail (Επιβλέπων καθηγητής)
Androutsopoulos, Ion (Εξεταστής)
Vassalos, Vasilios (Εξεταστής)
Athens University of Economics and Business, Department of Informatics (Degree granting institution)
Type :Text
Language :en
Identifier :http://www.pyxida.aueb.gr/index.php?op=view_object&object_id=5325
Abstract :Humans excel at solving a wide variety of challenging problems, from low-level motor control through to high-level cognitive tasks. Recent advances in artificial intelligence achieve a similar level of performance and generality using techniques of deep reinforcement learning. Such machine learning techniques are based on learning from rewards or punishments. The main objective of this project is to study popular deep reinforcement learning systems, developed by Deep Mind and other major artificial intelligence companies, and use them to learn how to play different Atari games.
Οι άνθρωποι υπερέχουν στην επίλυση μιας ευρείας ποικιλίας απαιτητικών προβλημάτων, από χαμηλού επιπέδου ελέγχου μηχανών έως και υψηλού επιπέδου γνωστικά καθήκοντα. Οι πρόσφατες πρόοδοι στην τεχνητή νοημοσύνη επιτυγχάνουν ένα παρόμοιο επίπεδο απόδοσης και γενικότητας χρησιμοποιώντας τις τεχνικές βαθειάς ενισχυτικής εκμάθησης. Τέτοιες τεχνικές μηχανικής μάθησηςε είναι βασισμένες στην εκμάθηση από τις ανταμοιβές ή τις τιμωρίες. Ο κύριος στόχος της διπλωματικής αυτής είναι να μελετηθούν δημοφιλή συστήματα βαθειάς ενισχυτικής μάθησης, που αναπτύσσονται από την Deep Mind και άλλες σημαντικές επιχειρήσεις τεχνητής νοημοσύνης και να χρησιμοποιηθούν για να μάθουμε πώς να παίξουμε διάφορα παιχνίδια Atari.
Subject :Deep reinforcement learning
Atari games
Βαθιά ενισχυτική μάθηση
Παιχνίδια ατάρι
Date Available :2017-12-15 10:01:40
Date Issued :10/23/2017
Date Submitted :2017-12-15 10:01:40
Access Rights :Free access
Licence :

File: Nikoloutsopoulos_2017.pdf

Type: application/pdf