Sem­i­nar: Knowl­edge En­gi­neer­ing und Ler­nen in Spie­len - SS 06

Die Noten wer­den ab 28.​7.​ vormit­tags vor E304 aushängen.

In­halt

Im Rah­men dieses Sem­i­nars wer­den wir Ein­satzmöglichkeit­en für Meth­o­d­en der künstlichen In­tel­li­genz in der En­twick­lung von Com­put­er-Spie­len betrachten.​ Hauptsächlich wer­den wir dabei entsprechende Fachbücher dur­char­beit­en, vo­raus­sichtlich die bei­den fol­gen­den:

David M.​ Bourg, Glenn See­mann: AI for Game De­vel­op­ers, O'Reil­ly, 2004. Alex J.​ Champan­dard: AI Game De­vel­op­ment, New Rid­ers Pub­lish­ing, 2003.​ Es ist nicht notwendig, diese Bücher zu kaufen.

Das Buch von Bourg und See­man ist als E-Book in der Bib­lio­thek vorhan­den (Zu­griff nur aus dem Uni-Netz).

Es wird er­wartet, daß Stu­den­ten die ihnen zugeteil­ten Ma­te­ri­alien (im Regelfall 2-4 Kapi­tel aus oben genan­nten Büchern) in einem ca. 45-minütigen Kurz-Vor­trag (30 min Vor­trag, 15 min Diskus­sion) vorstellen.​ Der Vor­trag sollte je­doch in­haltlich über diese Ma­te­ri­alien hin­aus­ge­hen und eine selb­ständige Au­seinan­der­set­zung mit dem gewählten Thema demon­stri­eren.

Es steht (nach Rück­sprache) auch frei, anstatt der Fachar­tikel eine prak­tis­che Er­probung eines bekan­nten oder eigenes Ansatzes zu er­ar­beit­en und zu präsen­tieren bzw.​ eigene The­men­vorschläge einzubrin­gen.

Die Ver­gabe von The­men er­fol­gt am er­sten Sem­i­nars-Ter­min (18.​4.​),​ Sie können aber bere­its davor In­ter­esse an bes­timmten The­men an­melden.

Vorken­nt­nisse

Es sind keine beson­deren Vorken­nt­nisse aus dem Ge­bi­et der künstlichen In­tel­li­genz oder dem Maschinellen Ler­nen erforderlich.​ Im Prinzip kann das Sem­i­nar auch von Stu­den­ten des Grund- oder Bach­e­lor-Studi­ums be­sucht wer­den.

Vorträge

Beno­tung

In die Gesamt­note fließen die Ausar­beitung des Vor­trags (Folien), die Präsen­ta­tion, die Beant­wor­tung von Fra­gen zum Vor­trag, sowie die ak­tive Teil­nahme an der Diskus­sion bei den Vorträgen an­der­er ein.​ Eine schriftliche Ausar­beitung ist nicht notwendig.

Im Vorder­grund der Gesamt­beno­tung steht je­doch die selb­ständige Au­seinan­der­set­zung mit den vorgestell­ten Methoden.​ Für eine sehr gute (1.​x) Beu­rteilung muß Ihr Vor­trag über eine blosse in­haltliche Wieder­gabe der Tech­niken hinausgehen.​ Einfliessen lassen können Sie z.​B.​ eigene Er­fahrun­gen, Ideen, oder auch Demos.​ Eine ex­ak­te Wieder­gabe des In­halts der Pa­piere fhrt nur zu einer Beurteilung mit 2.​x,​ auï¿œror­dentlich schwache Leis­tun­gen in einem der genan­nten Punk­te, ins­beson­dere man­gel­nde Mi­tar­beit im Sem­i­nar, zu 3.​x oder schlechter.

Ort und Zeit

jew­eils Di­en­stag, 16:15 - 17:55, Raum S202|A102.

The­men, Ter­mine und Vor­tra­gende

, O'Reil­ly, 2004.

Basic Move­ments (2.5.)

• Chas­ing and Evad­ing, B&S, Ch. 2 (Skrin­jar, Slides)
• Pat­tern Move­ment, B&S, Ch. 3 (Zubac, Slides)

Ad­vanced Move­ments (9.5.)

• Flock­ing, B&S, Ch. 4 (Lade­beck, Slides)
• Po­ten­tial Func­tion-Based Move­ment, B&S, Ch. 5 (Koller, Slides)

Pathfind­ing (16.5.)

• Basic Pathfind­ing and Way­points, B&S, Ch. 6, (Awer­buch, Slides)
• A* Pathfind­ing, B&S, Ch. 7 (Sut­lar, Slides)

Script­ing and Rule-Based Sys­tems (23.5.)

• Script­ed AI and Fi­nite State Ma­chines, Weapon Se­lec­tion, B&S, Ch. 9, Cha, Ch. 22-25 (Ri­ether, Slides)
• Rule-Based Sys­temes B&S, Ch. 11, Cha, Ch. 11-12 (Dauter­mann, Slides)

Fuzzy Logic (30.5.)

• In­tro­duc­tion / Threat As­sess­ment, B&S, Ch. 10 (Stayko­va, Slides)
• Fuzzy Move­ment, Cha, Ch. 29-31 (Güldner, Slides)

Fi­nite State Ma­chines and Emo­tions (6.6.)

• Fi­nite State Ma­chines for Emo­tions, B&S, Ch. 8, Cha, Ch. 36-39 (Glöckner)
• Ad­vanced Emo­tion­al Sys­tems, Cha, Ch. 40-42 (Paul­heim, Slides)

Ge­net­ic Al­go­rithms (13.6.)

• Ge­net­ic Al­go­rithms, B&S, Ch. 15 (Bech­er, Slides)
• Clas­si­fi­er Sys­tems / Adap­tive De­fen­sive Strate­gies, Cha, Ch. 32-34 (Beetz, Slides)

Shoot­ing (27.6.)

• Shoot­ing and Ai­min­ing, Cha, Ch. 13-18 (Burkhardt, Slides)
• Shoot­ing, Cha, Ch. 19-20 (Gli­esche, Slides)

• Clas­si­fi­ca­tion and Re­gres­sion Trees, Cha, Ch. 26-28 (Müller, Slides)

Learn­ing (4.7.)

• Re­in­force­ment Learn­ing and Adap­tive Be­hav­iors, Cha, Ch. 35, 46-48 (Seifert, Slides)

Bayesian and Neu­ral Net­works (4.7.)

• Bayesian Net­works, B&S, Ch. 12-13 (Wich, Slides)
• Neu­ral Net­works, B&S, Ch. 14, ad­di­tion­al ar­ti­cle (Hein­je, Slides)

Adap­tiv­i­ty (11.7.)

• Dy­nam­ic Script­ing (Kell­ner, Slides)
  Pieter Spron­ck, Marc Pon­sen, Ida Sprinkhuizen-Kuyper, and Eric Post­ma (2006). Adap­tive Game AI with Dy­nam­ic Scripting.​ (Accept­ed for pub­li­ca­tion in Ma­chine Learn­ing).
• Re­in­force­ment Learn­ing to Play Tetris (Ma­tussek, Sögüt, Slides))
  • Ron Breuke­laar, Erik D.​ Demaine, Susan Ho­hen­berg­er, Hen­drik Jan Hooge­boom, Wal­ter A.​ Kosters, and David Liben-Now­ell: Tetris is Hard, Even to Approximate.​ Inter­na­tion­al Jour­nal of Com­pu­ta­tion­al Ge­om­e­try and Ap­pli­ca­tions (IJCGA), April 2004.​ ( Pre­lim­i­nary ver­sion).
  • Vek­sler D.,​ Gray W.:​ State Def­i­ni­tion in the Tetris Task: De­sign­ing a Hy­brid Model of Cog­ni­tion, in Lovett M.,​ et al.​(eds.), Pro­ceed­ings 6th In­ter­na­tion­al Con­fer­ence on Cog­ni­tive Mod­elling (IC­CM2004): In­te­grat­ing Mod­els, July 30-Au­gust 1, 2004, Carnegie Mel­lon Uni­ver­si­ty, Pitts­burgh, PA, USA, 2004.
  • Stan Melax. Re­in­force­ment Learn­ing Tetris Ex­am­ple, 1998.
  • Yael Bdolah and Dror Liv­nat. Re­in­force­ment Learn­ing Play­ing Tetris, Course Pro­ject, Tel Aviv Uni­ver­si­ty 2000.
  • K.​ Dries­sens, and S.​ Dzeroski, In­te­grat­ing guid­ance into re­la­tion­al re­in­force­ment learn­ing, Ma­chine Learn­ing 57, pp. 271-304, 2004

Play­er Mod­el­ing (18.7.)

• Play­er Pre­dic­tion (Moch, Slides)
  • Fri Mommersteeg.​ Pattern Recog­ni­tion with Se­quen­tial Prediction.​ AI Game Pro­gram­ming Wis­dom, 2002.
  • Fran­cois Do­minic Laramee.​ Using N-Gram Sta­tis­ti­cal Mod­els to Pre­dict Play­er Behavior.​ AI Game Pro­gram­ming Wis­dom, 2002.​
• Op­po­nent Mod­el­ing (Jara­menko, Slides)
  • Ter­ence Schauen­berg (2006). Op­po­nent Mod­elling and Search in Poker, M.​Sc.​ thesis, Uni­ver­si­ty of Al­ber­ta, 2006.

Web-Sites

• http://​ai4games.​sourceforge.​net/​
• http://​www.​aiwisdom.​com/​
• http://​www.​gameai.​com/​