Název:
Hraní her a Deepstack
Překlad názvu:
General Game Playing and Deepstack
Autoři:
Schlindenbuch, Hynek ; Gemrot, Jakub (vedoucí práce) ; Majerech, Vladan (oponent) Typ dokumentu: Diplomové práce
Rok:
2019
Jazyk:
eng
Abstrakt: [eng][cze] General game playing is an area of artificial intelligence which focuses on creating agents capable of playing many games from some class. The agents receive the rules just before the match and therefore cannot be specialized for each game. Deepstack is the first artificial intelligence to beat professional human players in heads-up no-limit Texas hold'em poker. While it is specialized for poker, at its core is a general algorithm for playing two-player zero-sum games with imperfect information - continual resolving. In this thesis we introduce a general version of continual resolving and compare its performance against Online Outcome Sampling Monte Carlo Counterfactual Regret Minimization in several games.Obecné hraní her je oblast umělé inteligence, která se zabývá vytvářením agentů schopných hrát hry z nějaké třídy. Pravidla se agenti dozví až před začátkem hry a tudíž nemohou být specializování na jednu hru. Deepstack byl první umělý agent, který porazil profesionální lidské hráče v heads-up no-limit Texas hold'em pokeru. Ačkoliv byl vytvořen přímo pro poker, tak v jeho jádru je obecný algoritmus na hraní her dvou hráčů s nulovým součtem a neúplnou informací - continual resolving. V této práci představíme obecnou verzi continual resolvingu a porovnáme ji s Online Outcome Sampling Monte Carlo Counterfactual Regret Minimization v několika hrách.
Klíčová slova:
continual resolving; counterfactual regret minimization; hry s neúplnou informací; obecné hraní her; continual resolving; counterfactual regret minimization; general game playing; imperfect information games