Ευφυείς τεχνικές μοντελοποίησης χρηστών με εφαρμογή σε παίγνια

Μανουσιάδης, Χαράλαμπος; Manousiadis, Charalampos

dc.contributor.author	Μανουσιάδης, Χαράλαμπος	el
dc.contributor.author	Manousiadis, Charalampos	en
dc.date.accessioned	2016-06-14T09:53:10Z
dc.date.available	2016-06-14T09:53:10Z
dc.date.issued	2016-06-14
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/42704
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.10506
dc.rights	Αναφορά Δημιουργού 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by/3.0/gr/	*
dc.subject	Μοντελοποίηση χρηστών	el
dc.subject	Συσταδοποίηση	el
dc.subject	Ταξινόμηση	el
dc.subject	Παίγνια	el
dc.subject	Πόκερ	el
dc.title	Ευφυείς τεχνικές μοντελοποίησης χρηστών με εφαρμογή σε παίγνια	el
heal.type	bachelorThesis
heal.generalDescription	Μοντελοποίηση παικτών πόκερ μέσω συσταδοποίησης και ταξινόμησης.	el
heal.classification	Μοντελοποίηση χρηστών	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2015-10-16
heal.abstract	Η παρούσα διπλωματική εργασία ερευνεί την μοντελοποίηση χρηστών με την χρήση συσταδοποίησης και ταξινόμησης. Ως δεδομένα εισόδου θεωρεί τις κινήσεις που παρατηρεί και καταγράφει το σύστημα από τους χρήστες, ενώ ως έξοδο -την οποία προσπαθεί και να προβλέψει - θεωρεί την συμπεριφορά τους σε κάποιο γνώρισμα για το οποίο δεν έχει καταγράψει στοιχεία ακόμα. Θεωρείται ότι υπάρχει βάση δεδομένων με γνωστά όλα τα στοιχεία εισόδου και εξόδου, η οποία θα χρησιμοποιηθεί για την μηχανική μάθηση του συστήματος μας, ενώ η πρόβλεψη επιχειρείται σε καινούργια δεδομένα. Εισάγονται δύο βασικές μέθοδοι σε αυτή την κατεύθυνση, η σύγκριση μεταξύ των διαφορετικών συστάδων -που προήλθαν από συσταδοποίηση των δεδομένων εισόδου και εξόδου των δεδομένων μάθησης- καθώς και η πρόβλεψη των συστάδων - κλάσεων εξόδου με την χρήση ταξινομητών όπως π.χ. νευρωνικών δικτύων. Στην συγκεκριμένη πρακτική εφαρμογή που θα πραγματοποιηθεί, σκοπός είναι να δημιουργηθούν κατάλληλα μοντέλα παικτών πόκερ σε τουρνουά SitNGo, τα οποία θα μαθαίνουν μηχανικά από την υπάρχουσα βάση δεδομένων, ώστε να προβλέπουν μέσω των δεδομένων εισόδου που συλλέγουν στα αρχικά στάδια των καινούργιων παικτών, τις συμπεριφορές - εξόδους - αυτών στα μετέπειτα και πιο κρίσιμα στάδια του παιχνιδιού, για τα οποία δεν υπάρχουν προφανώς στοιχεία. Για την υλοποίηση όλων των παραπάνω μεθόδων χρησιμοποιείται η γνωστή πλατφόρμα εξόρυξης δεδομένων Weka του πανεπιστημίου του Waikato, καθώς και το λογισμικό Holdem Manager 2 το οποίο συλλέγει στατιστικά στοιχεία αληθινών διαδικτυακών παικτών πόκερ. Τα μοντέλα που προτείνονται στην παρούσα εργασία έχουν την δυνατότητα να χρησιμοποιηθούν στο παρασκήνιο σε πραγματικό χρόνο παιχνιδιού, για επέκταση των ήδη υπάρχοντων λογισμικών και να παρουσιάζουν αποδοτικά μοντέλα παικτών.	el
heal.abstract	This thesis investigates user modeling using clustering and classification. As input data considers the movements that the system observes and records by the users, while as an output -which tries to predict - considers their behavior to some attribute, that we have no record data for yet. It is considered that there is a database with known all the input and output elements, to be used for the machine learning of our system, and the prediction is attempted in new incoming data. They are introduced two basic methods in this direction, the comparison between different clusters -which came from clustering of the input and output training data- as well the prediction of output clusters - classes using classifiers such as Neural networks. In this particular application, the purpose is to create appropriate poker player user models in a SitNGo tournament, which will learn mechanically from the existing database in order to provide via the input data collected in the early stages of new players, behaviors - outputs - thereof to subsequent and more critical stage of the game, for which apparently there are not components. To implement all these methods we are using the known data mining platform Weka of University of Waikato, and the software Holdem Manager 2 which collects statistics of real online poker players. The models proposed in this thesis have the potential to be used in the background in real time play, to extend the already existing software and present efficient player models. Key Words: User Modelling, Clustering, Classification, Neural Network, Machine Learning, Data Mining, Prediction, Games, Poker.	en
heal.sponsor	Θα ήθελα να ευχαριστήσω ιδιαίτερα τον καθηγητή κ.Στέφανο Κόλλια για την ανάθεση της διπλωματικής εργασίας, καθώς και για την υπομονή, την καθοδήγηση και την ουσιαστική υποστήριξη του κατά την διάρκεια της δημιουργίας της. Ευχαριστώ επίσης όλους όσοι βοήθησαν άμεσα ή έμμεσα στην ολοκλήρωση της.	el
heal.advisorName	Κόλλιας, Στέφανος	el
heal.committeeMemberName	Κόλλιας, Στέφανος	el
heal.committeeMemberName	Σταφυλοπάτης, Ανδρέας-Γεώργιος	el
heal.committeeMemberName	Στάμου, Γεώργιος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	79 σ.	el
heal.fullTextAvailability	true