Srovnání metod strojového učení v optimalizaci strategií hry Blackjack

Abstract

Tato bakalářská práce se zabývá problematikou optimalizace strategie hry Blackjack s využitím metod posilovaného učení. Cílem práce je porovnat vybrané algoritmy a vyhodnotit jejich efektivitu při hledání herní strategie, která by zaručovala dlouhodobý zisk a poskytovala hráči výhodu nad kasinem. Práce se soustředí na tři hlavní přístupy: tradiční metodu počítání karet, algoritmus Q-learning a jeho rozšířenou verzi Deep Q-learning. Nejprve je představena hra Blackjack, její pravidla a nejčastěji používané varianty. Následuje rešerše existujících strategií a analýza výše zmíněných metod. Pro každý z těchto přístupů je navržen a implementován model, který je následně testován v herním prostředí. Výsledky práce ukazují, za jakých podmínek a s jakými omezeními je možné ve hře Blackjack dosáhnout dlouhodobého zisku.

This bachelors thesis deals with the problem of optimizing strategies for the game of Blackjack using reinforcement learning methods. The main objective of the thesis is to compare selected algorithms and evaluate their effectiveness in finding a playing strategy that ensures long-term profit and provides the player with an advantage over the casino. The thesis focuses on three main approaches: the traditional method of card counting, the Q-learning algorithm, and its extended version, Deep Q-learning. First, the game of Blackjack is introduced, including its rules and most commonly used variations. This is followed by a review of existing strategies and an analysis of the aforementioned methods. For each of these approaches, a model is designed and implemented, and subsequently tested in a simulated game environment. The results demonstrate under which conditions, and with what limitations, it is possible to achieve long-term profit in the game of Blackjack.