Show simple item record

Meta-učící metody pro analýzu trendů her Go
dc.contributor.advisorNeruda, Roman
dc.creatorMoudřík, Josef
dc.date.accessioned2017-05-16T21:13:34Z
dc.date.available2017-05-16T21:13:34Z
dc.date.issued2013
dc.identifier.urihttp://hdl.handle.net/20.500.11956/58538
dc.description.abstractPráce 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)cs_CZ
dc.description.abstractThis 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)en_US
dc.languageEnglishcs_CZ
dc.language.isoen_US
dc.publisherUniverzita Karlova, Matematicko-fyzikální fakultacs_CZ
dc.subjectGocs_CZ
dc.subjectaproximace funkcícs_CZ
dc.subjectstrojové učenícs_CZ
dc.subjectevoluce ansámblůcs_CZ
dc.subjectGoen_US
dc.subjectfunction approximationen_US
dc.subjectmachine learningen_US
dc.subjectevolution of ensemblesen_US
dc.titleMeta-learning methods for analyzing Go playing trendsen_US
dc.typediplomová prácecs_CZ
dcterms.created2013
dcterms.dateAccepted2013-09-10
dc.description.departmentDepartment of Theoretical Computer Science and Mathematical Logicen_US
dc.description.departmentKatedra teoretické informatiky a matematické logikycs_CZ
dc.description.facultyFaculty of Mathematics and Physicsen_US
dc.description.facultyMatematicko-fyzikální fakultacs_CZ
dc.identifier.repId118210
dc.title.translatedMeta-učící metody pro analýzu trendů her Gocs_CZ
dc.contributor.refereeMráz, František
dc.identifier.aleph001622727
thesis.degree.nameMgr.
thesis.degree.levelnavazující magisterskécs_CZ
thesis.degree.disciplineTheoretical Computer Scienceen_US
thesis.degree.disciplineTeoretická informatikacs_CZ
thesis.degree.programInformatikacs_CZ
thesis.degree.programComputer Scienceen_US
uk.faculty-name.csMatematicko-fyzikální fakultacs_CZ
uk.faculty-name.enFaculty of Mathematics and Physicsen_US
uk.faculty-abbr.csMFFcs_CZ
uk.degree-discipline.csTeoretická informatikacs_CZ
uk.degree-discipline.enTheoretical Computer Scienceen_US
uk.degree-program.csInformatikacs_CZ
uk.degree-program.enComputer Scienceen_US
thesis.grade.csVýborněcs_CZ
thesis.grade.enExcellenten_US
uk.abstract.csPráce 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)cs_CZ
uk.abstract.enThis 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)en_US
uk.file-availabilityV
uk.publication.placePrahacs_CZ
uk.grantorUniverzita Karlova, Matematicko-fyzikální fakulta, Katedra teoretické informatiky a matematické logikycs_CZ


Files in this item

Thumbnail
Thumbnail
Thumbnail
Thumbnail
Thumbnail
Thumbnail

This item appears in the following Collection(s)

Show simple item record


© 2017 Univerzita Karlova, Ústřední knihovna, Ovocný trh 3-5, 116 36 Praha; email: admin-repozitar [at] cuni.cz

Za dodržení všech ustanovení autorského zákona jsou zodpovědné jednotlivé složky Univerzity Karlovy. / Each constituent part of Charles University is responsible for adherence to all provisions of the copyright law.

Upozornění / Notice: Získané informace nemohou být použity k výdělečným účelům nebo vydávány za studijní, vědeckou nebo jinou tvůrčí činnost jiné osoby než autora. / Any retrieved information shall not be used for any commercial purposes or claimed as results of studying, scientific or any other creative activities of any person other than the author.

DSpace software copyright © 2002-2015  DuraSpace
Theme by 
@mire NV