Inteligência Artificial

para Jogos
Machine Learning

Prof. MSc. João Ricardo Bittencourt

Update: 19 Out. 2010

joaorb@unisinos.br

“Tome a pílula
vermelha” GT-JEDI – Jogos Digitais
Inteligência Artificial para Jogos
Agradeço e dedico estas
aulas ao Prof. Osório UNISINOS
Sumário
 Conceitos básicos
 Modelo de Aprendizagem
 Modos de Aprendizado
 Bibliografia de Machine Learning

UNISINOS - João Ricardo Bittencourt

Conceitos básicos
 O que é Aprendizado?
 Adaptação de comportamento

 Melhorar o desempenho

 Evitar de repetir os mesmos erros

 Interação com meio → Experimentação

 Usar a experiência

 Generalizar → Criar regras gerais

UNISINOS - João Ricardo Bittencourt

Conceitos básicos
 E o aprendizado nos jogos?
 Aprender comportamentos

 Criar novas estratégias

 Ação/Reação

 Colocados nos agentes inteligentes

UNISINOS - João Ricardo Bittencourt

Conceitos básicos
 Conceitos básicos para aprendizagem
 Experiência & Memória → Casos passados

 Otimização & Adaptação → Medida de

desempenho
 Interação → Passivo ou ativo

 Geração de Novos Conhecimentos

(generalização)

UNISINOS - João Ricardo Bittencourt

 Modelo de Aprendizagem

P(x)
Tarefa Função de
Avaliação

Experiência
(Casos passados)

Mitchell,1997 UNISINOS - João Ricardo Bittencourt

 Modelo de Aprendizagem

P(x)
BOT
Tempo para
Kill Player!
eliminar o
player
Partida 1, tempo1
Partida 2, tempo2
...
Partida n, tempo n

Mitchell,1997 UNISINOS - João Ricardo Bittencourt

Modelo de Aprendizagem
 Irá existir uma função ideal (função alvo) dada
uma determinada situação a melhor ação
 F(s) → A

 Este mapeamento na maioria das vezes vai

requerer alto custo computacional
 Utiliza-se uma função de aproximação
 Reduzir a complexidade, mas adiciona algum
nível de erro
 É comum usarmos técnicas de aprendizagem
de máquinas como função de aproximação

UNISINOS - João Ricardo Bittencourt

Modelo de Aprendizagem
 Para termos um problema de aprendizagem de
máquinas é necessário ter (Mitchell)
 Um tarefa

 Uma base de experiências

 Uma função de avaliação

 Conhecermos a função alvo

 Definirmos uma função de aproximação

(heurística)

UNISINOS - João Ricardo Bittencourt

 Modos de Aprendizado Outras técnicas
Alg. Genéticos
Aprediz.Bayesiana
Aprendizado Exemplos
Indutivo
“Professor” Agrupamento
Aprendizado Aprendizado
Supervisionado Não-Supervisionado
CBR
Classes K-NN
Valores K-Means
Classificação Regressão
(aprox. funções) estimados
Redes Neurais Artificiais Redes Neurais Artificiais
MLP Backpropagation (conex.) MLP Backpropagation (conex.)
Indução de Árvores de Decisão Regressão Linear
C4.5 (simb)
UNISINOS - João Ricardo Bittencourt
 Modos de Aprendizado
Aprendizado Exemplos
Indutivo
“Professor” Agrupamento
Aprendizado Aprendizado
Supervisionado Não-Supervisionado
CBR
Classes K-NN
K-Means
Classificação
Regressão
Redes Neurais Artificiais
(aprox. funções) Aprendizado
MLP Backpropagation (conex.) Valores Semi-Supervisionado
Indução de Árvores de Decisão estimados Reinforcement Learning
C4.5 (simb) Q-Learning
UNISINOS - João Ricardo Bittencourt
 Modos de Aprendizado
Aprendizado Exemplos
Indutivo
“Professor” Agrupamento
Aprendizado Aprendizado
Supervisionado Não-Supervisionado

Classes
Regressão Valores
Classificação (aprox. funções) estimados

UNISINOS - João Ricardo Bittencourt

 Modos de Aprendizado
 Tudo deve começar com os exemplos!
 Conjunto de exemplos → Induzir →
Conhecimento
 Conhecimento inferido a partir da prática, dos
exemplos

UNISINOS - João Ricardo Bittencourt

 Bibliografica básica
 Softwares
 C4.5 http://www.cse.unsw.edu.au/~quinlan/
 Dtree http://fuzzy.cs.uni-magdeburg.de/~borgelt/
 Weka http://www.cs.waikato.ac.nz/ml/weka/
 R http://www.r-project.org/
 ITI http://www.cs.umass.edu/~lrn/iti/
 AQ Family http://www.mli.gmu.edu/msoftware.html
 See5 http://www.rulequest.com/
 CART http://www.salford-systems.com/
 Clementine http://www.spss.com/clementine/

UNISINOS - João Ricardo Bittencourt

 Bibliografica básica
 Machine Learning. Tom Mitchell, 1998.
 Sistemas Inteligentes. Solange Rezende, 2003.
 Redes Neurais. Simon Haykin, 2001.
 C4.5: Programs for machine learning. Ross
Quinlan, 1993
 Raciocínio Baseado em Casos. Von Wangenheim,
2003.

UNISINOS - João Ricardo Bittencourt