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.
Anotace v angličtině
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.
Klíčová slova
neuronové sítě, umělá inteligence ve hrách, umělá inteligence v multiplayerových hrách, mlha války
Klíčová slova v angličtině
neural networks, artificial intelligence in games, artificial intelligence in
multiplayer games, fog of war
Rozsah průvodní práce
88 s. (145793 znaků)
Jazyk
AN
Anotace
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.
Anotace v angličtině
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.
Klíčová slova
neuronové sítě, umělá inteligence ve hrách, umělá inteligence v multiplayerových hrách, mlha války
Klíčová slova v angličtině
neural networks, artificial intelligence in games, artificial intelligence in
multiplayer games, fog of war
Zásady pro vypracování
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.
Zásady pro vypracování
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.
Seznam doporučené literatury
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.
Seznam doporučené literatury
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.
Přílohy volně vložené
-
Přílohy vázané v práci
-
Převzato z knihovny
Ne
Plný text práce
Přílohy
Posudek(y) oponenta
Hodnocení vedoucího
Záznam průběhu obhajoby
Student seznámil komisi s výsledky své diplomové práce. Poté byly přečteny posudky vedoucího a oponenta a následně byla vedena rozprava, během které byly položeny následující dotazy a komentáře.
Práce staví na kvalitním základu, který rozšiřuje o element "fog of war" a analyzuje přínos tohoto rozšíření. Student v práci objektivně shrnuje důsledky rozšíření a i přes to, že původní predikční model nebyl překonán z pohledu přesnosti, je z mého pohledu práce přínosná pro následující výzkum v dané oblasti. Za zmínku stojí i netriviální způsob extrakce fog of war dat, který je přímým výstupem diplomové práce. Z pohledu nedostatků bych zmínil v jistých ohledech poměrně strohou teoretickou část a její členění. (dr. Viktorin)
Diplomová práce je velmi dobře vypracovaná a prezentuje hluboký výzkum tématu. Autor kombinoval teoretickou analýzu s praktickými daty, což zvyšuje jeho relevanci a aplikovatelnost. Jak jste dospěl k závěru, že rozdíly mezi modely jsou nepatrné? Jaké další proměnné by mohly být zahrnuty do modelů pro lepší přesnost? (Mgr. Jakubec)
Jaký je hlavní přínos práce? (prof. Šenkeřík)
Proč jste práci zpracoval anglicky a obhajoval česky? Použil jste hodně slangových výrazů v češtině. (doc. Kodym)
Student pohotově reagoval a všechny otázky správně zodpověděl.