Учимся играть в нарды (проект) — различия между версиями

Материал из Wiki - Факультет компьютерных наук
Перейти к: навигация, поиск
(Темы вводных занятий)
 
(не показано 5 промежуточных версии 3 участников)
Строка 14: Строка 14:
 
Делать мы это будем с помощью машинного обучения, причём все знания, которые алгоритм имеет о мире ограничиваются тем, какие ходы возможны из конкретной позиции и тем, какой же получился результат в конце (победа или поражение).
 
Делать мы это будем с помощью машинного обучения, причём все знания, которые алгоритм имеет о мире ограничиваются тем, какие ходы возможны из конкретной позиции и тем, какой же получился результат в конце (победа или поражение).
 
Оказывается, что за несколько тысяч игр компьютер учится неплохо играть, а при более тщательном подходе обыгрывает человека.
 
Оказывается, что за несколько тысяч игр компьютер учится неплохо играть, а при более тщательном подходе обыгрывает человека.
 +
 +
[http://www.slideshare.net/katyacherniak/backgammon-57453501 презентация проекта]
  
 
=== Чему вы научитесь? ===
 
=== Чему вы научитесь? ===
* Основы машинного обучения, методы линейной регрессии, понятие о нейросетях, temporal-difference learning.
+
* Основы машинного обучения
 +
 
 +
* Методы линейной регрессии
 +
 
 +
* Понятие о нейросетях
 +
 
 +
* Temporal-difference learning
  
 
=== Какие начальные требования? ===
 
=== Какие начальные требования? ===
Строка 26: Строка 34:
  
 
=== Какие будут использоваться технологии? ===
 
=== Какие будут использоваться технологии? ===
* С++
+
* С++;
* gtest,
+
 
* scikit-learn
+
* gtest;
 +
 
 +
* scikit-learn.
  
 
=== Темы вводных занятий ===
 
=== Темы вводных занятий ===
Строка 36: Строка 46:
  
 
=== Направления развития ===
 
=== Направления развития ===
Можно совершенствовать алгоритм машинного обучения, находя/генерируя автоматически факторы.
+
* Совершенствовать алгоритм машинного обучения, находя/генерируя автоматически факторы.
Ещё одним развитием проекта является хорошая визуализация игры.
+
 
 +
* Хорошая визуализация игры.
  
 
=== Критерии оценки ===
 
=== Критерии оценки ===

Текущая версия на 16:18, 28 июля 2017

Ментор Алексей Гусаков
Учебный семестр Весна 2016
Учебный курс 1-й курс
Проект можно развивать на летней практике
Максимальное количество студентов, выбравших проект: 10



Что это за проект?

Проект заключается в том, чтобы научить компьютер играть в нарды. Делать мы это будем с помощью машинного обучения, причём все знания, которые алгоритм имеет о мире ограничиваются тем, какие ходы возможны из конкретной позиции и тем, какой же получился результат в конце (победа или поражение). Оказывается, что за несколько тысяч игр компьютер учится неплохо играть, а при более тщательном подходе обыгрывает человека.

презентация проекта

Чему вы научитесь?

  • Основы машинного обучения
  • Методы линейной регрессии
  • Понятие о нейросетях
  • Temporal-difference learning

Какие начальные требования?

  • Интерес к машинному обучению.
  • Желание экспериментировать и упорно работать.

Будет прикольно, но не просто.

Какие будут использоваться технологии?

  • С++;
  • gtest;
  • scikit-learn.

Темы вводных занятий

  • Для начала немного поиграем в нарды.
  • Потом обсудим интерфейсы, тесты, базовые решения, time-difference learning.

Направления развития

  • Совершенствовать алгоритм машинного обучения, находя/генерируя автоматически факторы.
  • Хорошая визуализация игры.

Критерии оценки

4 балла: Написан класс, описывающий позицию, реализованы правила, по которым делаются ходы.

+ балл (итого 5): Класс хорошо покрыт тестами.

+ балл (итого 6): Реализован механизм сравнения разных алгоритмов, есть несколько базовых реализаций алгоритма.

+ балл (итого 7): Реализован алгоритм, основанный на линейной модели, который побеждает все базовые подходы.

+ 2 балла (итого 9): То же самое, но на основе более глубокой нейоронной сети.

+ балл (итого 10): Как-то реализована визуализация, в результате чего можно и человеку сразиться с программой.

Также между алгоритмами будет проведён турнир на спецприз от ментора :)

Ориентировочное расписание занятий

В идеале - вечер пятницы или утро субботы.