<?xml version="1.0"?>
<rdf:RDF xmlns:rdf="http://www.w3.org/1999/02/22-rdf-syntax-ns#" xmlns:dc="http://purl.org/dc/elements/1.1/"><rdf:Description rdf:about="https://repozitorij.uni-lj.si/IzpisGradiva.php?id=106470"><dc:title>Učenje igranja realno-časovne strateške igre z uporabo globokega spodbujevalnega učenja</dc:title><dc:creator>HABJAN,	JERNEJ	(Avtor)
	</dc:creator><dc:creator>Guid,	Matej	(Mentor)
	</dc:creator><dc:creator>Šter,	Branko	(Komentor)
	</dc:creator><dc:subject>AlphaZero</dc:subject><dc:subject>realno-časovna strateška igra</dc:subject><dc:subject>Unreal Engine</dc:subject><dc:description>Z algoritmom AlphaZero smo implementirali učenje in priporočanje akcij v realno-časovni strateški igri.
Pregledali smo krajšo zgodovino globokega spodbujevalnega učenja na igrah in povzeli, zakaj je pristop samostojnega učenja najprimernejši.
Za strateško igro smo določili stanja igre in stanje s kodirnikom preoblikovali v format, primeren za učenje nevronske mreže.
Določili smo ustavitveni pogoj z iztekom števila preostalih potez za posameznega igralca.
Utemeljili smo različne konfiguracije učnih parametrov in izpostavili tisto, ki računalniškega agenta na naši igri najuspešnejše uči.
Rezultate smo prikazali s Python knjižnico Pygame in v celostnem pogonu Unreal Engine 4. 
V obeh vizualizacijah lahko igramo proti naučenemu modelu ali opazujemo, kako se dva računalniška nasprotnika bojujeta med sabo.</dc:description><dc:date>2019</dc:date><dc:date>2019-02-26 12:50:03</dc:date><dc:type>Diplomsko delo/naloga</dc:type><dc:identifier>106470</dc:identifier><dc:language>sl</dc:language></rdf:Description></rdf:RDF>