Učení přechodových funkcí v klasickém plánování pomocí hlubokých neuronových sítí
Learning Classical Planning Transition Functions by Deep Neural Networks
Typ dokumentu
diplomová prácemaster thesis
Autor
Michaela Urbanovská
Vedoucí práce
Komenda Antonín
Oponent práce
Shleyfman Alexander
Studijní obor
Umělá inteligenceStudijní program
Otevřená informatikaInstituce přidělující hodnost
katedra počítačůPráva
A university thesis is a work protected by the Copyright Act. Extracts, copies and transcripts of the thesis are allowed for personal use only and at one?s own expense. The use of thesis should be in compliance with the Copyright Act http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf and the citation ethics http://knihovny.cvut.cz/vychova/vskp.htmlVysokoškolská závěrečná práce je dílo chráněné autorským zákonem. Je možné pořizovat z něj na své náklady a pro svoji osobní potřebu výpisy, opisy a rozmnoženiny. Jeho využití musí být v souladu s autorským zákonem http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf a citační etikou http://knihovny.cvut.cz/vychova/vskp.html
Metadata
Zobrazit celý záznamAbstrakt
V současné době existují dva silné směry v oblasti umělé inteligence, a to strojové učení a symbolická umělá inteligence. V nedávné době se objevilo několik pokusů o propojení těchto dvou vědeckých směrů. Konkrétně spojením hlubokého učení a klasického plánování. Hluboké učení poskytuje silné nástroje pro získávání znalostí z velkého množství dat, zatímco klasické plánování poskytuje algoritmy pro obecné řešení problémů. Tyto směry se tedy přirozeně doplňují a jejich kombinace je krokem k vytvoření autonomní umělé inteligence. V této práci jsme vytvořili techniku kombinování klasického plánování a hlubokého učení. Docílili jsme toho nahrazením klíčových částí plánovacích algoritmů řešeními, která jsou založena na paradigmatu hlubokého učení. Dále jsme ukázali experimentální evaluaci, která porovnává implementované metody s postupy, které se běžně používají v klasickém plánování. There are currently two strong research directions in the area of artificial intelligence (AI), namely, machine learning and symbolic AI. Recently, there have been several attempts to bridge these two research directions. Namely, we focus on the connections between deep learning and classical planning. Deep learning provides strong techniques for extracting information from large datasets, while classical planning provides algorithms for general problem solving. Complementarity of these two techniques is therefore natural, and combining these two approaches is a step towards autonomously learning intelligent machines. In this work, we implement a technique combining classical planning and deep learning. Namely, we replace key parts of planning algorithms by solutions devised based on the deep learning paradigm. We provide experimental evaluation to compare the implemented techniques with methods used in classical planning.
Kolekce
- Diplomové práce - 13136 [833]