0000000001252690
AUTHOR
Madars Zvaigzne
Mašīnmācīšanās metožu pielietojums pretinieku tendenču noteikšanai
Darbā tiek pētīts, cik veiksmīgi ar mašīnmācīšanās metodēm var noteikt pretinieku tendences no salīdzinoši nelielas datu kopas. Darbā tiek pētīta kāršu spēle pokers. Uzdevums ir noteikt, vai pretiniekiem ir tendence pieņemt kādu lēmumu, pēc kā attiecīgi mēs varam paši mainīt savu stratēģiju atbilstoši noteiktajām tendencēm, tādā veidā iegūstot priekšrocību. Tiek apskatīts kādi spēlētāju tipi eksistē izspēlēs ar dažādiem spēlētāju skaitu izmantojot klasterēšanas algoritmus. Tālāk tiek izstrādāta mākslīgā intelekta pamatklase, kuru var viegli paplašināt tādā veidā definējot spēlētāju, kas spēlē pēc noteikta spēlētāja tipa tendencēm. Visbeidzot tiek novērtētas dažādas metodes un modeļi, kas āt…
Kustīgu objektu noteikšana
Programma ir paredzēta video analīzei, kustīgu objektu atpazīšanai un uzskaitei. Programma spēj darboties reāllaikā, analizējot jau ierakstītu video materiālu vai materiālu no tīmekļa kameras. Lietotājam ir dotas iespējas mainīt vairākas iestatījumu vērtības, kuras tiek izmantotas video apstrādē, piemēram, mainīt minimālo izmēru objektu atpazīšanai priekšplāna maskā, noteikt robežas izmēru, kādā pikseļu vērtības tiek uzskatītas par fonu. Šis dokuments satur programmatūras prasību specifikāciju, programmatūras projektējuma aprakstu, testēšanas dokumentāciju, kā arī citu svarīgu informāciju par programmu.
Mašīnmācīšanās pielietojums sporta notikumu prognozēšanā
Dažādu notikumu prognozēšana cilvēcei ir vienmēr bijusi aktuāla. Mūsdienās ir attīstījušās tehnoloģijas, lai to būtu iespējams paveikt balstoties uz pagātnes datiem. Darbā tiek apskatīta sporta notikumu prognozēšana, konkrēti futbola maču iznākumi. Tiek apskatītas vairākas mašīnmācīšanās metodes, kas būtu piemērotākās šī uzdevuma veikšanai. Tiek realizēti un optimizēti divi multi-slāņu perceptrona tīkli un viens vairākkārtējā neironu tīkla, konkrēti LSTM algoritms. Ar tiem tiek veikta simulācija izmantojot reālus datus. Vienā no simulācijām tiek sasniegts pozitīvs rezultāts, sezonas laikā algoritms gūst 65% peļņu.