Show simple item record

dc.contributor.advisorUribe Ordoñez, Nitae Andrésspa
dc.contributor.authorDuarte Antolinez, Juan Diegospa
dc.date.accessioned2020-07-17T07:58:19Z
dc.date.available2020-07-17T07:58:19Z
dc.date.issued2019-06
dc.identifier.urihttp://hdl.handle.net/20.500.12749/6971
dc.description.abstractEn el presente se hace una breve investigación acerca de los métodos más comunes para el estudio de datos en Machine Learning, con un enfoque al desarrollo de video juegos en la herramienta Unity 3D. El tipo de aprendizaje más común en la industria de los video juegos es el aprendizaje reforzado que usa los algoritmos para evaluar repetidamente un escenario de datos. Por medio de un prototipado de aprendizaje basado en agentes, se busca como resultado una plantilla que funcione como base de futuros proyectos de Machine Learning aprovechando las ventajas de Unity 3D como plataforma de simulación, tomando como caso de estudio la empresa colombiana de juego FRYOS STUDIOS S.A.S.spa
dc.description.tableofcontentsDedicatoria 2 Agradecimientos 3 Tabla de contenido 4 Resumen 6 Lista de tablas 7 Lista de figuras 8 Introducción 10 Planteamiento del problema 13 Justificación 14 Objetivos 15 Objetivo General 15 Objetivos Específicos 15 Metodología 16 Marco de referencia 19 Marco conceptual 19 Inteligencia artificial 19 Machine learning 20 Marco teórico 22 Estado de arte 32 Resultados obtenidos 33 Resultado de la Primera Fase 33 Revisión bibliográfica 33 Mecánicas de video juegos implementando Machine Learning 35 Unity Machine Learning ToolKit 38 Resultado de la Segunda Fase: 43 Diseño del escenario de aprendizaje 43 Determinación del agente y del escenario de aprendizaje 46 Definición del objetivo del agente dentro del escenario de aprendizaje 48 Determinación de los atributos del sistema desde el enfoque del agente desde las técnicas de Machine Learning 49 Entrenamiento del agente a partir de la implementación de las del sistema desde el enfoque del agente 50 Resultado de la Tercera Fase: 51 El aprendizaje de Bob 51 La librería de machine learning 55 Conclusiones 57 Trabajo a futuro 58 Referencias 59spa
dc.format.mimetypeapplication/pdfspa
dc.language.isospaspa
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/2.5/co/*
dc.titleEstudio e implementación de machine learning en el desarrollo de videojuegosspa
dc.title.translatedSummary - Study and implementation of Machine Learning in the development of video gameseng
dc.degree.nameIngeniero de Sistemasspa
dc.publisher.grantorUniversidad Autónoma de Bucaramanga UNABspa
dc.rights.localAbierto (Texto Completo)spa
dc.publisher.facultyFacultad Ingenieríaspa
dc.publisher.programPregrado Ingeniería de Sistemasspa
dc.description.degreelevelPregradospa
dc.type.driverinfo:eu-repo/semantics/bachelorThesis
dc.type.localTrabajo de Gradospa
dc.type.coarhttp://purl.org/coar/resource_type/c_7a1f
dc.subject.keywordsSystems engineereng
dc.subject.keywordsMachine learningeng
dc.subject.keywordsVideo gameseng
dc.subject.keywordsElectronic gameseng
dc.subject.keywordsComputer gameseng
dc.subject.keywordsArtificial intelligenceeng
dc.identifier.instnameinstname:Universidad Autónoma de Bucaramanga - UNABspa
dc.identifier.reponamereponame:Repositorio Institucional UNABspa
dc.type.hasversioninfo:eu-repo/semantics/acceptedVersion
dc.rights.accessrightsinfo:eu-repo/semantics/openAccessspa
dc.rights.accessrightshttp://purl.org/coar/access_right/c_abf2spa
dc.relation.referencesDickey, M. (2006). Game Design Narrative for Learning. Appropriating Adventure Game Design, 20.spa
dc.relation.referencesFiszelew, A. a.-M. (2016). GENERACIÓN AUTOMÁTICA DE REDES NEURONALES CON AJUSTE DE PARÁMETROS BASADO EN ALGORITMOS GENÉTICOS. Instituto Tecnológico de Buenos Aires, 21.spa
dc.relation.referencesFonseca Reyna, Y. C. (2015). A Reinforcement Learning Approach for Scheduling Problems. Investigación Operacional, 36.spa
dc.relation.referencesFonseca-Reyna, Y. C.-J. (2017). Q-Learning Algorithm Performance for M-Machine, N-Jobs Flow Shop Scheduling Problems to Minimize Makespan. Investigación Operacional, 290.spa
dc.relation.referencesFUNGE, I. M. (2009). Artificial intelligence for games. Morgan Kaufmann, 800.spa
dc.relation.referencesFUNGE, I. M. (2009). ARTIFICIAL INTELLIGENCEFOR GAMES. Burlington: Elsevier Inc.spa
dc.relation.referencesHerrera, F. (2015). Un estudio empírico preliminar sobre los tests. Diseños experimentales, 10.spa
dc.relation.referencesJ.R, Q. (1986). Induction of Decision Trees. Kluwer Academic, 26.spa
dc.relation.referencesJennifer Hernández Bécares, L. C. (2016). An approach to automated videogame beta testing. Entertainment Computing, 92.spa
dc.relation.referencesJohn Schulman, F. W. (2017). Proximal Policy Optimization Algorithms. OpenAI, 12.spa
dc.relation.referencesLeo Galway, D. C. (2009). Machine learning in digital games: a survey. Springer Science, 2.spa
dc.relation.referencesMartínez, G. (2017). UNA VISIÓN GLOBAL DEL APRENDIZAJE AUTOMÁTICO. APRENDIZAJE AUTOMÁTICO, 14.spa
dc.relation.referencesMichael Bowling, J. F. (2006). Machine learning and games. Springer Science, 5.spa
dc.relation.referencesMitchell. (1978). Version Spaces: An Approach to Concept. Stanford University, 200.spa
dc.relation.referencesOsindero, G. E. (2006). A fast learning algorithm for deep belief nets. Neural Computation, 16.spa
dc.relation.referencesPavón, R. (2010). INTELIGENCIA ARTIFICIAL. Resumen de Tesis, 4.spa
dc.relation.referencesSohn, I. (2018). A robust complex network generation method based on neural. Division of Electronics and Electrical Engineering, 9.spa
dc.relation.referencesStorkey, C. C. (2015). Teaching Deep Convolutional Neural Networks to Play Go. University of Edinburgh, 9.spa
dc.relation.referencesY., Y. X. (1998). Toward Designing Artificial Neural Networks by Evolution. Applied Mathematics and Computation,, 91.spa
dc.relation.referencesZhu, P. H. (2011). Strategy research on the performance optimization of 3D mobile game development based on Unity. Oxbridge College, 7.spa
dc.contributor.cvlachttps://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0001346209*
dc.contributor.researchgatehttps://www.researchgate.net/profile/Nitae_Uribe*
dc.subject.lembIngeniería de sistemasspa
dc.subject.lembVideojuegosspa
dc.subject.lembJuegos electrónicosspa
dc.subject.lembJuegos con computadorspa
dc.identifier.repourlrepourl:https://repository.unab.edu.cospa
dc.description.abstractenglishAn investigation about the most common methods for studying data in Machine Learning, with a focus on the development of video games with the Unity 3D tool. The most common type of learning in the video game industry is the reinforced learning that uses algorithms to repeatedly evaluate a data scenario. Through a prototyping of agent-based learning, this document present a template that works as a basis for future Machine Learning projects is sought as a result of taking advantage of Unity 3D as a simulation platform, taking as a case study the Colombian gaming company FRYOS STUDIOS SAS.eng
dc.subject.proposalAprendizaje automáticospa
dc.subject.proposalUnity 3Dspa
dc.subject.proposalInteligencia artificialspa
dc.type.redcolhttp://purl.org/redcol/resource_type/TP
dc.rights.creativecommonsAtribución-NoComercial-SinDerivadas 2.5 Colombia*


Files in this item

Thumbnail
Thumbnail

This item appears in the following Collection(s)

Show simple item record

Atribución-NoComercial-SinDerivadas 2.5 Colombia
Except where otherwise noted, this item's license is described as Atribución-NoComercial-SinDerivadas 2.5 Colombia