Národní úložiště šedé literatury Nalezeno 149 záznamů.  1 - 10dalšíkonec  přejít na záznam: Hledání trvalo 0.01 vteřin. 
Multi-agent trading environment for training robust reinforcement learning agents
Mikuláš, Pavel ; Pilát, Martin (vedoucí práce) ; Neruda, Roman (oponent)
Tato práce přináší rozsáhlou studii aplikace zpětnovazebního učení v oblasti algo- ritmického obchodování. Práce se zaměřuje zejména na to, jak modely zpětnovazebního učení generalizují, jak z pohledu velikosti trénovací množiny, tak z pohledu jejich ná- sledného přenesení na reálné finanční trhy. Za tímto cílem vytváříme simulační prostředí zohledňující důležité faktory, které ovlivňují výsledky obchodní strategie při reálném ob- chodování. V našich experimentech používáme také rozšíření algoritmu DQN, známé jako R2D2, které dosahuje velice slibných výsledků. Pokud je nám známo, je tato práce první, která algoritmus R2D2 aplikuje na oblast algorimického obchodování. Algoritmy natré- nované ve vytvořeném simulačním prostředí následně vyhodnocujeme oproti obvykle uží- vaným postupům algoritmického obchodování, abychom demonstrovali sílu modelů zpět- novazebního učení. Dále ukazujeme, jak zvyšování transakčních nákladů zvyšuje nároč- nost trénování vybraných modelů a že algoritmus R2D2 svými výsledky překonává běžné postupy algoritmického obchodování i ostatní modely zpětnovazebního učení v úloze al- goritmického obchodování. 1
Evolution strategies for policy optimization in transformers
Lorenc, Matyáš ; Neruda, Roman (vedoucí práce) ; Pilát, Martin (oponent)
Cílem práce je prozkoumat schopnost evolučních strategií trénovat architektury trans- formerů v prostředí zpětnovazebního učení. Provedeme experimenty s využitím vysoce paralelizovatelného algoritmu OpenAI-ES a dvou jeho variant využívajících konceptů no- velty a quality-diversity prohledávání k trénování architektury Decision Transformeru v prostředí MuJoCo Humanoida a otestujeme tak schopnost těchto black-box optimalizač- ních technik trénovat i takto relativně velké (ve srovnání s dříve testovanými) a kom- plikované modely (využívajících self-attention vedle klasických plně propojených vrstev). Testované algoritmy se v našich experimentech ukázaly obecně jako schopné dosahovat silných výsledků a dokázaly vyvinout vysoce výkonné agenty - a to jak z náhodně ini- cializovaného modelu, tak z předtrénovaného modelu. 1
Diplomacy-Based Strategy Game
Valach, Miroslav ; Pilát, Martin (vedoucí práce) ; Guba, Peter (oponent)
Strategické hry se proslavili nabídkou možností výběru pro hráče ze široké škály různých strategií s cílem dosažení vítězství. Herní princip většiny strate- gických her je založen na standardizovaných pilířích 4X (prozkoumat, rozšířit, využít zdroje, zničit protihráče), podobně jako u Civilization nebo Stellaris. Tyhle pilíře často však podporují dobyvatelské či agresívní způsoby k dosa- žení vítězství, čímž zřídka umožňují mírový přístup jako použitelnou strate- gii. V tomto projektu jsme měli za cíl vytvořit strategickou hru zaměřenou na interakce hráčů prostřednictvím diplomacie. Hlavním cílem bylo poskytnout svobodu podobnou hře Diplomacy, kde hráči mohou a musí se využívat mul- tilaterální politiky k dosažení vítězství. Jako důkaz konceptu jsme úspěšně vyvinuli prototyp hry pomocí Unreal Engine. Prototyp ukazuje hru založenou na diplomacii s multilaterální diplo- macií v jejím jádru. Hratelnost demonstruje proveditelnost diplomacie jako primární strategie k dosažení vítězství ve video hrách.
Creating Adversarial Examples in Machine Learning
Červíčková, Věra ; Pilát, Martin (vedoucí práce)
Tato práce zkoumá nepřátelské vzory ve strojovém učení, konkrétně v oboru klasifikace obrazu. Nejmodernější modely hlubokého učení dokáží rozpoznat vzory lépe než člověk. Nicméně pokud k obrazům přidáme vhodně zvolený šum, můžeme výrazně snížit přesnost daných modelů. Tato práce zkoumá různé metody útoků i obran proti nepřátelským vzorům. Jednu ze současným obran jsme si vybrali, abychom navrhli útok, který ji porazí. Náš útok využívá evoluční algoritmy. Výsledky našich experimentů ukazují, že nepřátelské vzory vytvořené evolucí a vzory vytvořené se znalostí gradientu se výrazně liší. V neposlední řadě zkoumáme, jak jsou naše nepřátelské vstupy přenositelné mezi různými neuronovými sítěmi. 1
Předpovídání výkonnosti fotbalových hráčů
Kellich, Adam ; Pilát, Martin (vedoucí práce) ; Pešková, Klára (oponent)
Tato práce se zaměřuje na vývoj nástrojů pro zlepšení zážitku z hraní online fotba- lové fantasy hry Sorare. Ve hře Sorare hráči kupují sběratelské kartičky, které reprezentují skutečné fotbalisty a soutěží s ostatními hráči, přičemž úspěch závisí na skutečných výko- nech fotbalistů v reálných zápasech. Cílem naší práce je řešit dva hlavní problémy, kterým hráči ve hře čelí. Zaprvé se snažíme přesně předpovědět skóre fotbalisty v nadcházejícím zápase na základě údajů dostupných před zápasem. Zadruhé se snažíme identifikovat trhem podhodnocené hráče, což představuje potenciální investiční příležitosti. Popíšeme a implementujeme celý proces strojového učení od získávání dat, jejich zpracování, návrh vhodných algoritmů, trénování modelů až k vyhodnocení. V obou případech se navrhnuté algoritmy ukázaly jako užitečné oproti jednoduchým predikcím založených na průměru. 1
Artificial Intelligence for the Unstable Unicorns Game
Kodad, Michal ; Pilát, Martin (vedoucí práce) ; Fink, Jiří (oponent)
Tato práce zkoumá umělou inteligenci pro hru Unstable Unicorns. Tato hra začala na Kickstarteru a v průběhu let tvůrci hry vydali několik rozší- ření. Tato práce si klade za cíl naimplementovat herní simulátor pro tuto hru, analyzovat hru a navrhnout umělé inteligence. Nejprve budeme analyzovat pravidla hry, herní mechaniky a zkoumání umělých inteligencí v podobných hrách. Naimplementovali jsme herní simulátor co nejblíže původním pra- vidlům. Poté jsme vyvinuli tři různé umělé inteligence. Jedná se o agenty založené na pravidlech, agenty Monte Carlo a evoluční agenty. Nakonec jsme provedli experimenty a srovnávací testy s implementovanými agenty. Nejlépe fungující agent je evoluční agent. Je rychlý s největší výherností.
Umělá inteligence pro hru Hanabi
Ambrožová, Lucie ; Pilát, Martin (vedoucí práce) ; Černý, Vojtěch (oponent)
Hra Hanabi je v současnosti velice populární pro vývoj nejrůznějších umělých inteli- gencí. Tato popularita spočívá především v tom, že Hanabi je stochastické, možné hrát ve více hráčích, a především kooperativní. V literatuře je možné dohledat mnoho přístupů k vývoji umělých inteligencí pro tuto hru, které jsou založeny na především na ručně psaných algoritmech, bayesovském přístupu a hlubokém Q-učení. V rámci této práce na tento vývoj navazujme zabýváme se vývojem ručně psaných inteligencí, ručně psaných umělých inteligencí s využitím evolučních algoritmů a umělé inteligence založené na hlubokém Q-učení. Na výsledcích z pěti ručně psaných umělých inteligencí ukazujeme, jak přidávání jed- notlivých vylepšení agentů má vliv na výsledné skóre. Dále nejlepší ručně psanou umělou inteligenci ještě vylepšujeme tím, že její parametry optimalizujeme pomocí evolučního algoritmu. Tato výsledná umělá inteligence dosahuje nejlepších výsledků prezentovaných v literatuře pro hru 5 hráčů pro ručně psané umělé inteligence bez využití hat guessing strategií. Umělou inteligenci založenou na hlubokém Q-učení jsme nakonec z výpočetních důvodů a kvůli problémům s memory leakem zkoušeli jen na výrazně zmenšené a zjed- nodušení verzi Hanabi, kde se nám ji však úspěšně během 5000 her povedlo natrénovat tak, že dosahovala nad...
Předpovídání vývoje cen kryptoměn
Harmanec, Nik ; Kopecký, Michal (vedoucí práce) ; Pilát, Martin (oponent)
Práce se zabývá způsobem jak aplikovat roky zaběhlé a vyzkoušené strategie a indikátory z burzovních akciových trhů na nový a dynamicky se rozvíjející trh kryptoměn. Cílem práce je navrhnout a implementovat framework na testování indikátorů. Jednotlivé indikátory otestovat na historických datech kryptoměn. Výsledky vyhodnotit a navrhnout vhodnou obchodovací strategii k maximalizaci zisku. Z výsledků pozorování vytvořit bota pro obchodování na burze.
Active learning in E-Commerce Merchant Classification using Website Information
Borchers, Mitchell ; Vomlelová, Marta (vedoucí práce) ; Pilát, Martin (oponent)
Data and the collection and analysis of data plays an important role in everyday life even though it often goes unseen. In our case, our partner is using data to classify websites into different categories. We used active learning and other machine learning methods to help classify websites into these categories and to explore the data collection and classification process. We scraped text data from websites, translated the data to English, and then worked with machine learning tools to understand the data and classify it. We found that the xPAL active learning strategy and linear support vector classifiers seemed to perform best with our data. 1
Cooperation with Unknown Agents in Multi-agent Environment
Bašta, Přemysl ; Pilát, Martin (vedoucí práce) ; Straka, Milan (oponent)
V posledních několika desetiletích jsme byli svědky velkých úspěchů v oblasti hlubokého a zpětnovazebního učení. Velkých úspěchů bylo dosaženo v mnoha kompetitivních prostředích, a to jak v prostředí s jedním agentem, tak i v multiagentním prostředí, kde umělá inteligence dokázala překonat celé týmy lidských expertů. Situace se však zdá být mnohem obtížnější, pokud jsou multiagentní prostředí čistě kooperativní. V práci nejprve uvedeme stručný přehled teorie zpětnovazebního učení a současných populárních algoritmů. Poté teorii rozšíříme na multiagentní systémy kde se budeme zabývat problémy, které jsou s nimi spjaté. A nakonec navrhneme nové přístupy trénování agentů, kde se pomocí zjednodušeného prostředí kooperativní hry s více agenty založené na populární hře Overcooked pokusíme trénovat agenty, kteří jsou robustní a schopní spolupráce s neznámými agenty.

Národní úložiště šedé literatury : Nalezeno 149 záznamů.   1 - 10dalšíkonec  přejít na záznam:
Viz též: podobná jména autorů
7 Pilát, Martin
2 Pilát, Matěj
Chcete být upozorněni, pokud se objeví nové záznamy odpovídající tomuto dotazu?
Přihlásit se k odběru RSS.