04337ntm a22005417i 4500 000716433 CZ-PrVSE 20240824093620.0 m d cr n|||||||||| 240824s2024 xr fsbm 000 0 cze d NEZPRACOVANÝ IMPORT ABA006 cze ABA006 ABA006 rda Kurek, Pavel ISIS:156319 dis Evaluation of agent SARSA in the algorithmic IQ test eng Vyhodnocení agenta SARSA v testu algoritmického IQ / Pavel Kurek 2024 ?? stran : digital, PDF soubor Vedoucí práce: Ondřej Vadinský Bakalářská práce (Bc.)—Vysoká škola ekonomická v Praze. Fakulta informatiky a statistiky, 2024 Obsahuje bibliografii Textový (vysokoškolská kvalifikační práce) Rok obhajoby 2024 například Turingovým testem, který však není bez problémů. Jeho binární povaha není ideální pro porovnávání velmi podobných systémů, kde je potřeba exaktní metrika. Takovou metriku nabízí AIQ test, který je stěžejním bodem této práce. Bakalářská práce se zabývá analýzou výkonnosti agentů posilovaného učení, konkrétně algoritmů SARSA a SARSA(λ), a jejich následnou evaluací pomocí AIQ testu, který slouží jako praktická aproximace teorie univerzální inteligence. Práce má teoretickou část, která uvádí do obou stěžejních témat syntézou klíčové literatury. Mezi nejdůležitější zdroje se řadí u problematiky vyhodnocování umělých systémů práce od Legg & Veness (2013) a dizertační práce od Vadinského (2018 b). Pro posilované učení byla při syntéze hlavním zdrojem kniha Sutton & Barto (2014), která popisuje každý prvek posilovaného učení do hloubky. Uvedení do kontextu tématiky je nutné pro pochopení práce jako celku. Praktické části práce se věnuji v závěru druhé kapitoly, kde popisuji, jak jsem implementoval agenty, což dále rozvádím ve třetí kapitole. Poslední kapitola se věnuje praktickým experimentům, kde si kladu výzkumné otázky a analyzuji výsledky. •Jak si vede SARSA a její rozšíření SARSA(λ) vůči dalším agentům otestovaným v AIQ testu? •Jak si vede SARSA a její rozšíření SARSA(λ) konkrétně vůči agentům Q-learningu? •Jaký je vliv jednotlivých parametrů na výsledky? Výsledky experimentů ukazují zajímavý fenomén, který by stálo za to více prověřit do budoucna. A to, že agenti SARSA a SARSA(λ) dosahují rozdílných úrovní výkonnosti, přičemž agent SARSA(λ) vykazuje o něco horší výsledky než základní verze SARSA. Mimo zmíněného fenoménu se agent choval podle předpokladu a výkon byl slabší než u agenta Q-learningu. Právě díky předpokládanému chování, které nastalo, mů Analýza vlivu parametrů odhalila, že hodnoty parametrů mohou výrazně ovlivnit výkonnost agentů hlavně v extrémních hodnotách u stanoveného intervalu. Závěrem práce jsou prezentovány výsledky a představeny způsoby možného navazujícího výzkumu této problematiky. Způsob přístupu: Internet aplikovaná informatika [obor bakal. práce] bakalářské práce fd132403 czenas bachelor's theses eczenas vyhodnocování inteligence systémů UI Univerzální inteligence umělá inteligence posilované učení test algoritmického IQ SARSA Vadinský, Ondřej ISIS:43066 ths Hoza, Petr ISIS:155851 opn Vysoká škola ekonomická v Praze. Fakulta informatiky a statistiky kn20010709399 dgg https://insis.vse.cz/zp/83336/podrobnosti VŠKP v InSIS https://insis.vse.cz/zp/83336 Hlavní práce https://insis.vse.cz/zp/83336/posudek/vedouci Hodnocení vedoucího https://insis.vse.cz/zp/83336/posudek/oponent/83554 Oponentura https://insis.vse.cz/zp/83336/podrobnosti dc:identifier NEPOSILAT VSKP vse83336 240824 83336