Elektronické sporty se z příležitostné zábavy staly významnou kariérní příležitostí.
Tato práce představuje model, který je přizpůsoben začínajícím hráčům, aby jim pomohl odhalit nepřesnosti ve hře a zdokonalit jejich strategie. Využitím neuronové
sítě vycvičené z dat z profesionálních zápasů byla zvýšena schopnost předvídat nadcházející akce hráčů. Integrace prvku "fog of war" pomáhá usnadnit vyhodnocování
nesrovnalostí mezi předpokládanými a skutečnými akcemi a upozorňuje na potenciální
oblasti pro zlepšení hry.
Annotation in English
E-sports has evolved from casual entertainment to significant career opportunities.
This thesis presents a model tailored to assist novice players in pinpointing gameplay
inaccuracies and refining their strategies. By harnessing a neural network trained
from professional match data, the ability to predict impending player actions has been
enhanced. Integrating the "fog of war" feature helps to facilitate the assessment of
discrepancies between anticipated and actual actions, highlighting potential areas for
gameplay improvement.
Keywords
neuronové sítě, umělá inteligence ve hrách, umělá inteligence v multiplayerových hrách, mlha války
Keywords in English
neural networks, artificial intelligence in games, artificial intelligence in
multiplayer games, fog of war
Length of the covering note
88 s. (145793 znaků)
Language
AN
Annotation
Elektronické sporty se z příležitostné zábavy staly významnou kariérní příležitostí.
Tato práce představuje model, který je přizpůsoben začínajícím hráčům, aby jim pomohl odhalit nepřesnosti ve hře a zdokonalit jejich strategie. Využitím neuronové
sítě vycvičené z dat z profesionálních zápasů byla zvýšena schopnost předvídat nadcházející akce hráčů. Integrace prvku "fog of war" pomáhá usnadnit vyhodnocování
nesrovnalostí mezi předpokládanými a skutečnými akcemi a upozorňuje na potenciální
oblasti pro zlepšení hry.
Annotation in English
E-sports has evolved from casual entertainment to significant career opportunities.
This thesis presents a model tailored to assist novice players in pinpointing gameplay
inaccuracies and refining their strategies. By harnessing a neural network trained
from professional match data, the ability to predict impending player actions has been
enhanced. Integrating the "fog of war" feature helps to facilitate the assessment of
discrepancies between anticipated and actual actions, highlighting potential areas for
gameplay improvement.
Keywords
neuronové sítě, umělá inteligence ve hrách, umělá inteligence v multiplayerových hrách, mlha války
Keywords in English
neural networks, artificial intelligence in games, artificial intelligence in
multiplayer games, fog of war
Research Plan
Review state-of-the-art approaches for decision making and classification of individuals on multi-modal data.
Based on the review, select a suitable method for team synergy detection in a game with fantastic elements.
Implement and test the selected model with available dataset.
Compare the implemented solution to state-of-the-art and analyze the result.
Research Plan
Review state-of-the-art approaches for decision making and classification of individuals on multi-modal data.
Based on the review, select a suitable method for team synergy detection in a game with fantastic elements.
Implement and test the selected model with available dataset.
Compare the implemented solution to state-of-the-art and analyze the result.
Recommended resources
MŰLLER, Štěpán. Detekce nevýhodných individuálních rozhodnutí pro hru s fantastickými prvky. Praha, 2022. Diplomová práce. ČVUT v Praze. Vedoucí práce Pavel Jakubec.
AGGARWAL, Charu C. Data Mining: The Textbook. 2015th Edition. Imprint: Springer, 2015. ISBN 978-3319141411.
Berner, C., Brockman, G., Chan, B., Cheung, V., Dębiak, P., Dennison, C., Farhi, D., Fischer, Q., Hashme, S., Hesse, C. and Józefowicz, R., 2019. Dota 2 with large scale deep reinforcement learning. arXiv preprint arXiv:1912.06680.
GÉRON, Aurélien. Hands-on machine learning with Scikit-Learn and TensorFlow: concepts, tools, and techniques to build intelligent systems. Beijing: O'Reilly, [2017], xx, 545 s. ISBN 9781491962299.
Paszke, A., Gross, S., Massa, F., Lerer, A., Bradbury, J., Chanan, G., Killeen, T., Lin, Z., Gimelshein, N., Antiga, L. and Desmaison, A., 2019. Pytorch: An imperative style, high-performance deep learning library. Advances in neural information processing systems, 32.
Recommended resources
MŰLLER, Štěpán. Detekce nevýhodných individuálních rozhodnutí pro hru s fantastickými prvky. Praha, 2022. Diplomová práce. ČVUT v Praze. Vedoucí práce Pavel Jakubec.
AGGARWAL, Charu C. Data Mining: The Textbook. 2015th Edition. Imprint: Springer, 2015. ISBN 978-3319141411.
Berner, C., Brockman, G., Chan, B., Cheung, V., Dębiak, P., Dennison, C., Farhi, D., Fischer, Q., Hashme, S., Hesse, C. and Józefowicz, R., 2019. Dota 2 with large scale deep reinforcement learning. arXiv preprint arXiv:1912.06680.
GÉRON, Aurélien. Hands-on machine learning with Scikit-Learn and TensorFlow: concepts, tools, and techniques to build intelligent systems. Beijing: O'Reilly, [2017], xx, 545 s. ISBN 9781491962299.
Paszke, A., Gross, S., Massa, F., Lerer, A., Bradbury, J., Chanan, G., Killeen, T., Lin, Z., Gimelshein, N., Antiga, L. and Desmaison, A., 2019. Pytorch: An imperative style, high-performance deep learning library. Advances in neural information processing systems, 32.
