Wyniki wyszukiwania - BazTech

Ograniczanie wyników

Znaleziono wyników: 2

Liczba wyników na stronie

Wyniki wyszukiwania

Sortuj według:

Ogranicz wyniki do:

Player modeling using Bayesian networks

Kościuk K., Drużdżel M.

Symulacja w Badaniach i Rozwoju

2010

Vol. 1, nr 2

151-158

Typically programs for game playing use the Minimax strategy, which assumes a perfectly rational opponent whose actions are performed optimally. However, most human opponents depart from rationality. In this case, the best move at any given step may not be one that is indicated by MiniMax and an algorithm that takes into consideration humans imperfection will perform better. In order to consider player's weaknesses, it is necessary to model the opponent – learn and know his/her strategies. We build a Bayesian network to model the player. We learn the conditional probability tables in the network from data collected in the course of the game.

Algorytmy grające w gry zazwyczaj używają strategii Minimax zakładającej perfekcyjność przeciwnika, który wybiera zawsze najlepsze ruchy w grze. Gracze jednakże mogą nie działać całkiem racjonalnie. Algorytm, który weźmie to pod uwagę, może dawać lepsze wyniki niż Minimax. Aby wykorzystać słabości przeciwnika, należy stworzyć jego model. W tym celu zbudowaliśmy sieć bayesowską, w której tworzymy tablicę prawdopodobieństw z danych zbieranych w trakcie gry.

Analyzing certain temporal dependences in Netflix data

Łupińsla-Dubicka A., Drużdżel M.

Zeszyty Naukowe Politechniki Białostockiej. Informatyka

2008

Z. 3

67-82

Netflix (see http://www.netflix.com/), an American Internet-based movie rental company, uses data mining in their recommendation system. In October 2006 Netflix made a huge data base of their users and movie evaluations available to the community and announced a million dollars prize to the team that beats the accuracy of their recommendations by at least 10%. The data have since become an object of interest of the machine learning community. In this paper, we focus on one aspect of the data that, to our knowledge, has been overlooked — their temporal dependences. We have looked at the impact of the day of the week, month of the year, length of membership, month from the start of Netflix, etc., on the average evaluation.

Działający w Stanach Zjednoczonych Ameryki Netflix (http://www.netflix. com/) jest jedną z największych na świecie internetowych wypożyczalni filmów. W celu uzyskania wyższej jakości proponowanych przez system ocen filmów, w październiku 2006 roku Netflix udostępnił bazę danych użytkowników oraz ich ocen i ogłosił nagrodę dla tego, kto uzyska co najmniej 10-cio procentową poprawęw stosunku do wyników Cinematch (RMSE=0.9525). W tym artykule postawiliśmy sobie za cel zbadanie, czy zalezności czasowe, takie jak dzień tygodnia lub długość członkostwa, są w stanie zwiększyć jakość prognozowania.