Inteligência Artificial Jogando Super Mario



Original Source Here

Inteligência Artificial Jogando Super Mario

Utilizar da aprendizagem por reforço para ensinar a uma máquina como se joga Super Mario.

Antes do Treino

Importações

Usaremos o gym, para isso precisamos instalar a mesma.

$ pip install gym gym[all] gym_super_mario_bros

Faremos a importação do modelo no tensorflow.keras e o restante para adição, como: Dense, Activation, Flatten, Conv2D, MaxPooling e Dropout.

Utilizaremos a camada de convolução para pegarmos o vídeo do jogo e fazermos o processamento. A camada de convolução basicamente serve para “converter” nossa imagem em uma matriz de dimensão escolhida no modelo. O MaxPooling fará a redução da dimensionalidade dessa matriz.

O Flatten tem a função de pegar essa matriz e retornar um array unidimensional.

Modelo da Rede Neural

https://cezannec.github.io/assets/cnn_intro/CNN_ex.png

Faremos a aplicação da camada de convolução no início como mostra a imagem. A camada de convolução irá pegar a imagem e converter para uma matriz, após isso o max pooling fará a redução da dimensionalidade da matriz, passaremos mais uma vez pela camada de convolução e pela camada de pooling, todas as ativações será a ‘relu’.

Após ter feito isso nós faremos a aplicação da camada do Flatten, que fará um array unidimensional com a matriz. Após isso, nós aplicaremos então a camada densa da rede neural.

Dense(512, activation='relu')
Dense(256, activation='relu')
Dense(number_action, activation='linear')

Na última camada temos nossa camada densa de output, que tem a função de ativação ‘linear’ e o número de ações que o jogo terá.

Treino

Faremos um loop e definiremos os parâmetros para rodarmos o game e treinar a rede neural.

Faremos o treino com base nas ações, e com isso recebermos o output da próxima ação. Você pode obter um ótimo resultado utilizando um computador na cloud para fazer o treino, depois você apenas salva os pesos do treino feito.

Após o Treino

Referências

AI/ML

Trending AI/ML Article Identified & Digested via Granola by Ramsey Elbasheer; a Machine-Driven RSS Bot



via WordPress https://ramseyelbasheer.io/2021/07/03/inteligencia-artificial-jogando-super-mario/

Popular posts from this blog

Fully Explained DBScan Clustering Algorithm with Python

Image
Original Source Here Fully Explained DBScan Clustering Algorithm with Python Unsupervised learning in machine learning on density-based clusters Clustering In unsupervised Learning. A photo by Author In this article, we will discuss the machine learning clustering-based algorithm that is the DBScan cluster. The approach in this cluster algorithm is density-based than another distance-based approach. The other cluster which is distance-based looks for closeness in data points but also misclassifies if the point belongs to another class. So, density-based clustering is suited in this kind of scenario. The cluster algorithms come in unsupervised learning in which we don’t rely on target variables to make clusters. In a cluster, the main concern is on maximum dense connected points. The density-based clustering can be useful in arbitrary shapes even with noise. The working function of the density-based cluster is shown below: We select a random data point. Then it will ...
Read more

Streamlit — Deploy your app in just a few minutes

Image
Original Source Here Streamlit is an open-source Python library that makes it easy to create and share beautiful, custom web apps for machine learning and data… Continue reading on Medium » AI/ML Trending AI/ML Article Identified & Digested via Granola by Ramsey Elbasheer; a Machine-Driven RSS Bot via WordPress https://ramseyelbasheer.io/2021/07/11/streamlit%e2%80%8a-%e2%80%8adeploy-your-app-in-just-a-few-minutes/
Read more

Hierarchical clustering explained

Image
Original Source Here Interpretation of dendrogram Each level of dendrogram has a subtle meaning to the relationship between its data members. In a regular relationship chart, one may interpret that at the top lies grandparents or the first generation, the next level corresponds to parents or second generation and the final level belongs to children or third generation. Likewise, in every branching procedure of dendrogram, all the data points having the membership at each level belongs to a certain class. However, to infer this class entity, one has to go through a few individual samples of each level within the formulated cluster and find out what feature is common in the resulting cluster. Also, these inferred classes need not be similar at the sister branches. For example, in level 2, the cats have been clustered on big ears and calm behavior but dogs have been clustered on a similar attribute of size. Inferred classes of data in dendrogram by the user (Image by Author) C...
Read more