Trefwoorden: ruimtelijke toestand-actie patronen, algemeen spellen spelen, reinforcement learning, patronen ontdekken

"Learning state-action features for general game playing"

Een van de kernuitdagingen in het onderzoeksveld van kunstmatige intelligentie is de ontwikkeling van algoritmes en computerprogramma’s die autonoom kunnen plannen, beslissingen maken, en doelen bereiken. Spelletjes worden voor zulk onderzoek vaak gebruikt als testdomeinen, aangezien normaal gesproken aangenomen wordt dat ze een zekere mate van intelligentie vereisen om goed te kunnen spelen. Naast dit gebruik van spelletjes als testdomeinen, kan de ontwikkeling van automatische leertechnieken voor spelen ook van toegevoegde waarde zijn voor antropologische studies van spelen als culturele artefacten, alsook de spelontwerp- en spelontwikkelingsindustrieën. Het onderzoek in deze thesis heeft geleid tot de ontwikkeling van spelonafhankelijke algoritmes die autonoom relevante patronen kunnen ontdekken voor een grote verscheidenheid aan bordspellen. Deze patronen kunnen zowel gebruikt worden om de prestaties van computerprogramma’s die spellen spelen te verbeteren, alsook om mensen inzichten te verschaffen in de tactieken of strategieën die de patronen representeren.

Voertaal: Engels