El Projecte | Sobre nosaltres | Contribuir | Donacions | Llicència
HOME Els meus cursos Finalitzats
◄ Anterior
◄

Introducció a l'Aprenentatge Automàtic

Següent ►
►

  1. Què és l'Aprenentatge Automàtic?

L'Aprenentatge Automàtic (Machine Learning, ML) és una branca de la intel·ligència artificial que se centra en el desenvolupament d'algoritmes que permeten als ordinadors aprendre a partir de dades i prendre decisions o fer prediccions sense ser explícitament programats per a cada tasca. En el context dels videojocs, l'aprenentatge automàtic pot ser utilitzat per crear personatges no jugadors (NPCs) més intel·ligents i adaptatius.

Conceptes Clau:

  • Dades d'Entrenament: Conjunt de dades utilitzat per entrenar el model d'aprenentatge automàtic.
  • Model: Estructura matemàtica que aprèn a partir de les dades d'entrenament.
  • Entrenament: Procés d'ajustar els paràmetres del model per minimitzar l'error en les prediccions.
  • Validació: Avaluació del model utilitzant un conjunt de dades diferent del d'entrenament per assegurar-se que el model generalitza bé.
  • Predicció: Ús del model entrenat per fer prediccions sobre noves dades.

  1. Tipus d'Aprenentatge Automàtic

2.1 Aprenentatge Supervisat

L'aprenentatge supervisat implica entrenar un model amb un conjunt de dades etiquetades, on cada entrada està associada amb una sortida desitjada. Els algoritmes aprenen a mapar les entrades a les sortides correctes.

Exemples:

  • Classificació d'imatges (p. ex., identificar objectes en una imatge).
  • Predicció de valors numèrics (p. ex., preus de cases).

2.2 Aprenentatge No Supervisat

En l'aprenentatge no supervisat, el model s'entrena amb dades no etiquetades i ha de trobar estructures o patrons ocults en les dades.

Exemples:

  • Clustering (p. ex., agrupació de clients amb comportaments similars).
  • Reducció de dimensionalitat (p. ex., compressió de dades).

2.3 Aprenentatge per Reforç

L'aprenentatge per reforç implica entrenar un agent que pren decisions seqüencials per maximitzar una recompensa acumulada. L'agent aprèn a través de l'experiència, provant diferents accions i observant els resultats.

Exemples:

  • Jocs (p. ex., agents que aprenen a jugar a videojocs).
  • Control de robots (p. ex., robots que aprenen a caminar).

  1. Aplicacions de l'Aprenentatge Automàtic en Videojocs

3.1 Personatges No Jugadors (NPCs)

Els NPCs poden utilitzar l'aprenentatge automàtic per adaptar-se al comportament del jugador, oferint una experiència de joc més dinàmica i desafiante.

3.2 Generació Procedural de Contingut

L'aprenentatge automàtic pot ser utilitzat per generar contingut de joc, com nivells, missions o diàlegs, de manera procedimental.

3.3 Optimització de Rendiment

Els algoritmes d'aprenentatge automàtic poden ajudar a optimitzar el rendiment del joc ajustant paràmetres en temps real per mantenir una experiència de joc fluida.

  1. Exemples Pràctics

Exemple 1: Classificació d'Imatges per a la Detecció d'Objectes

from sklearn.datasets import load_digits
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import accuracy_score

# Carregar dades
digits = load_digits()
X = digits.data
y = digits.target

# Dividir dades en entrenament i prova
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# Entrenar model
model = RandomForestClassifier(n_estimators=100)
model.fit(X_train, y_train)

# Predir i avaluar
y_pred = model.predict(X_test)
accuracy = accuracy_score(y_test, y_pred)
print(f'Precisió del model: {accuracy:.2f}')

Exemple 2: Aprenentatge per Reforç amb OpenAI Gym

import gym
import numpy as np

# Crear entorn
env = gym.make('CartPole-v1')

# Inicialitzar paràmetres
num_episodes = 1000
learning_rate = 0.1
discount_factor = 0.99
exploration_rate = 1.0
exploration_decay = 0.995

# Inicialitzar Q-taula
q_table = np.zeros([env.observation_space.shape[0], env.action_space.n])

# Funció per discretitzar l'estat
def discretize_state(state):
    return tuple((state - env.observation_space.low) // (env.observation_space.high - env.observation_space.low) * 10)

# Entrenament
for episode in range(num_episodes):
    state = discretize_state(env.reset())
    done = False
    while not done:
        if np.random.rand() < exploration_rate:
            action = env.action_space.sample()
        else:
            action = np.argmax(q_table[state])
        
        next_state, reward, done, _ = env.step(action)
        next_state = discretize_state(next_state)
        
        q_table[state][action] = q_table[state][action] + learning_rate * (reward + discount_factor * np.max(q_table[next_state]) - q_table[state][action])
        
        state = next_state
    
    exploration_rate *= exploration_decay

print("Entrenament completat")

  1. Exercicis Pràctics

Exercici 1: Entrenament d'un Model de Classificació

  1. Carrega un conjunt de dades de la teva elecció (p. ex., Iris dataset).
  2. Divideix les dades en conjunts d'entrenament i prova.
  3. Entrena un model de classificació (p. ex., SVM, Random Forest).
  4. Avalua el model utilitzant el conjunt de prova.

Exercici 2: Implementació d'un Agent d'Aprenentatge per Reforç

  1. Selecciona un entorn de OpenAI Gym (p. ex., MountainCar-v0).
  2. Implementa un agent d'aprenentatge per reforç utilitzant Q-learning.
  3. Entrena l'agent i avalua el seu rendiment.

  1. Conclusió

L'aprenentatge automàtic ofereix una gran varietat d'eines i tècniques per millorar la intel·ligència dels personatges i la qualitat dels videojocs. Des de la classificació d'imatges fins a l'aprenentatge per reforç, els desenvolupadors poden utilitzar aquestes tècniques per crear experiències de joc més immersives i adaptatives. En els següents mòduls, explorarem com implementar aquestes tècniques en el context dels videojocs.

◄ Anterior
◄
Següent ►
►
El Projecte | Sobre nosaltres | Contribuir | Donacions | Llicència
© Copyright 2024. Tots els drets reservats