Meta-learning methods for analyzing Go playing trends
Meta-učící metody pro analýzu trendů her Go
diplomová práce (OBHÁJENO)
Zobrazit/ otevřít
Trvalý odkaz
http://hdl.handle.net/20.500.11956/58538Identifikátory
SIS: 118210
Kolekce
- Kvalifikační práce [10690]
Autor
Vedoucí práce
Oponent práce
Mráz, František
Fakulta / součást
Matematicko-fyzikální fakulta
Obor
Teoretická informatika
Katedra / ústav / klinika
Katedra teoretické informatiky a matematické logiky
Datum obhajoby
10. 9. 2013
Nakladatel
Univerzita Karlova, Matematicko-fyzikální fakultaJazyk
Angličtina
Známka
Výborně
Klíčová slova (česky)
Go, aproximace funkcí, strojové učení, evoluce ansámblůKlíčová slova (anglicky)
Go, function approximation, machine learning, evolution of ensemblesPráce rozšiřuje metodiku pro ohodnocování hráčů hry go na základě záznamů jejich her, kterou jsme dříve publikovali v (Baudiš - Moudřík, 2012). V této diplomové práci jsme nejprve přidali některé featury a navrhli metodiku pro jejich porovnávání. Následně jsme představili robustní framework, který je pomocí metod strojového učení schopen zachytit závislosti mezi ohodnoceními hráčů a obecnou závislou proměnou. Tento framework spočívá v evoluci ansámblových metod strojového učení. Aplikovali jsme jej na dva problémy - predikci síly hráčů a stylů jejich hry. Výsledky ukazují, že v obou případech je možné tuto predikci provést s rozumnou přesností. Jedním z výsledků práce je i webová aplikace, která demonstruje metodiku navrženou v této práci, slouží jako pomůcka pro studium hry go a umožňuje další sběr dat. Powered by TCPDF (www.tcpdf.org)
This thesis extends the methodology for extracting evaluations of players from samples of Go game records originally presented in (Baudiš - Moudřík, 2012). Firstly, this work adds more features and lays out a methodology for their comparison. Secondly, we develop a robust machine-learning framework, which is able to capture dependencies between the evaluations and general target variable using ensemble meta-learning with a genetic algorithm. We apply this framework to two domains, estimation of strength and styles. The results show that the inference of the target variables in both cases is viable and reasonably precise. Finally, we present a web application, which realizes the methodology, while presenting a prototype teaching aid for the Go players and gathering more data. Powered by TCPDF (www.tcpdf.org)