Resumen:
El ajedrecista experimentado logra comprender una posición, abstrayendo conceptos del juego, sin la necesidad de la extensa exploración de jugadas de la que se tienen que valer las máquinas. Lograr la incorporación de esto a un programa de ajedrez es sumamente complejo, en gran parte por la ausencia o desconocimiento de reglas explícitas que formalicen los conocimientos que aplica el hombre. Con la idea de perfeccionar la función de evaluación de estos programas, aquí se plantea W1 modelo de aprendizaje utilizando un mapa auto organizado de Kohonen para generar un clasificador que pueda decidir, dada una posición de una partida, quién fue el ganador de la misma. Para esto se procesa una gran base de partidas, tomando de ellas un conjunto de posiciones que se describen en función de atributos (como la cantidad de piezas, la cantidad de movidas disponibles, etc.) asociados al resultado de la partida a la que corresponde (sin empates). Con esta base de posiciones clasificadas como entrada, se entrena la red generando un mapa de neuronas etiquetadas (blancas o negras), que puede clasificar nuevas posiciones. Dada la complejidad del problema, los experimentos fueron realizados seleccionando la última posición de cada partida. Los resultados se comparan con otros dos modelos de aprendizaje: estadísticos (Naive Bayes) y árboles de decisión (C4.5).
Abstract:
Experienced chess players manage to understand a position, abstracting concepts of the game, without the need of the extensive exploration of moves of which the machines have to be worth themselves. Achieving the incorporation of this to a chess program is extremely complex, mainly because of the absence of explicit rules that formalize the know-how that that humans apply. With the idea of optimizing the evaluation function of these programs, we formulate a leaming model using a Kohonen self-organized map for obtaining a classifier that can decide, given a game position, who was the winner of that game. A great base of games is processed, taking from them a set of positions that are described based on some attributes (like the number of pieces, the number of available moves, ete.), associated to the result of the game to which it corresponds (without draws). The network is trained with thís base of classified positions for the input, generating a map of labeled neurons (white or black), that can classify new positions. Given the complexity of the problem, the experiments were carried out selecting the last position of each game. The results are compared with other two models of learning: statistical methods (Naive Bayes) and decision trees (C4.5).
Citación:
---------- APA ----------
Massenzano, Gerardo. (2005). Un clasificador conexionista de posiciones de ajedrez : aprendiendo del hombre. (Tesis de Grado. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales.). Recuperado de https://hdl.handle.net/20.500.12110/seminario_nCOM000285_Massenzano
---------- CHICAGO ----------
Massenzano, Gerardo. "Un clasificador conexionista de posiciones de ajedrez : aprendiendo del hombre". Tesis de Grado, Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales, 2005.https://hdl.handle.net/20.500.12110/seminario_nCOM000285_Massenzano
Estadísticas:
Descargas mensuales
Total de descargas desde :
https://bibliotecadigital.exactas.uba.ar/download/seminario/seminario_nCOM000285_Massenzano.pdf
Distrubución geográfica
