Пошук академічних текстів

Інформація × Реєстраційний номер 2120U008403, Матеріали видань та локальних репозитаріїв Категорія Бакалаврська робота Назва роботи Методи навчання з підкріпленням в комбінаторних іграх двох учасників Автор Єлісєєв Владислав ВікторовичYelisieiev Vladyslav Viktorovych Дата публікації 01-06-2020 Постачальник інформації Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського» Першоджерело https://ela.kpi.ua/handle/123456789/37260 Видання Київ Опис Дипломна робота: 101 с., 43 рис., 6 табл., 2 додатки, 32 джерел. Об’єктом дослідження є комбінаторні ігри двох осіб з повною інформацією, де складність пошуку стратегії полягає у великий кількості стратегій та траєкторій гри, що ускладнює пошук оптимальної стратегії. Метою дослідження є огляд останніх досягнень науки у сфері навчання з підкріпленням, розгляд можливості застосування методів навчання з підкріпленням до задач пошуку стратегій гри у комбінаторних іграх. Предмет дослідження: методи глибокого навчання з підкріпленням для вирішення задачі пошуку виграшної стратегії у комбінаторних іграх та їх застосування на конкретних прикладах. Дослідження ґрунтується на наукових публікаціях та інших матеріалах закордонних конференцій та архівів в галузі машинного навчання, глибокого навчання та глибокого навчання з підкріпленням і пошуку виграшних стратегій в іграх. Програмна реалізація моделі та інфраструктури навчання написана мовою Python, з використанням фреймворку TensorFlow та OpenSpiel. Thesis work: 101 pp., 43 fig., 6 tabl., 2 app., 32 sources. The object of the study is combinatorial games of two people with complete information, where the difficulty of finding a strategy lies in the large number of strategies and game trajectories, which complicates the search for the optimal strategy. The purpose of the study is to review the latest advances in science in the field of reinforcement learning, to consider the possibility of applying methods of reinforcement learning to the tasks of finding game strategies in combinatorial games. Subject of research: methods of deep learning with reinforcement to solve the problem of finding a winning strategy in combinatorial games and their application on specific examples. The research is based on scientific publications and other materials of foreign conferences and archives in the field of machine learning, deep learning and deep reinforcement learning and winning strategy optimization in games. The software implementation of the model and learning infrastructure is written in Python, using the TensorFlow and OpenSpiel frameworks. Додано в НРАТ 2025-11-05 Закрити