Estudio e implementación de machine learning en el desarrollo de videojuegos

Duarte Antolinez, Juan Diego

Estudio e implementación de machine learning en el desarrollo de videojuegos

dc.contributor.advisor	Uribe Ordoñez, Nitae Andrés	spa
dc.contributor.author	Duarte Antolinez, Juan Diego	spa
dc.contributor.cvlac	Uribe Ordoñez, Nitae Andrés [0001346209]	*
dc.contributor.researchgate	Uribe Ordoñez, Nitae Andrés [Nitae-Uribe]	*
dc.coverage.campus	UNAB Campus Bucaramanga	spa
dc.date.accessioned	2020-07-17T07:58:19Z
dc.date.available	2020-07-17T07:58:19Z
dc.date.issued	2019-06
dc.degree.name	Ingeniero de Sistemas	spa
dc.description.abstract	En el presente se hace una breve investigación acerca de los métodos más comunes para el estudio de datos en Machine Learning, con un enfoque al desarrollo de video juegos en la herramienta Unity 3D. El tipo de aprendizaje más común en la industria de los video juegos es el aprendizaje reforzado que usa los algoritmos para evaluar repetidamente un escenario de datos. Por medio de un prototipado de aprendizaje basado en agentes, se busca como resultado una plantilla que funcione como base de futuros proyectos de Machine Learning aprovechando las ventajas de Unity 3D como plataforma de simulación, tomando como caso de estudio la empresa colombiana de juego FRYOS STUDIOS S.A.S.	spa
dc.description.abstractenglish	An investigation about the most common methods for studying data in Machine Learning, with a focus on the development of video games with the Unity 3D tool. The most common type of learning in the video game industry is the reinforced learning that uses algorithms to repeatedly evaluate a data scenario. Through a prototyping of agent-based learning, this document present a template that works as a basis for future Machine Learning projects is sought as a result of taking advantage of Unity 3D as a simulation platform, taking as a case study the Colombian gaming company FRYOS STUDIOS SAS.	eng
dc.description.degreelevel	Pregrado	spa
dc.description.learningmodality	Modalidad Presencial	spa
dc.description.tableofcontents	Dedicatoria 2 Agradecimientos 3 Tabla de contenido 4 Resumen 6 Lista de tablas 7 Lista de figuras 8 Introducción 10 Planteamiento del problema 13 Justificación 14 Objetivos 15 Objetivo General 15 Objetivos Específicos 15 Metodología 16 Marco de referencia 19 Marco conceptual 19 Inteligencia artificial 19 Machine learning 20 Marco teórico 22 Estado de arte 32 Resultados obtenidos 33 Resultado de la Primera Fase 33 Revisión bibliográfica 33 Mecánicas de video juegos implementando Machine Learning 35 Unity Machine Learning ToolKit 38 Resultado de la Segunda Fase: 43 Diseño del escenario de aprendizaje 43 Determinación del agente y del escenario de aprendizaje 46 Definición del objetivo del agente dentro del escenario de aprendizaje 48 Determinación de los atributos del sistema desde el enfoque del agente desde las técnicas de Machine Learning 49 Entrenamiento del agente a partir de la implementación de las del sistema desde el enfoque del agente 50 Resultado de la Tercera Fase: 51 El aprendizaje de Bob 51 La librería de machine learning 55 Conclusiones 57 Trabajo a futuro 58 Referencias 59	spa
dc.format.mimetype	application/pdf	spa
dc.identifier.instname	instname:Universidad Autónoma de Bucaramanga - UNAB	spa
dc.identifier.reponame	reponame:Repositorio Institucional UNAB	spa
dc.identifier.repourl	repourl:https://repository.unab.edu.co	spa
dc.identifier.uri	http://hdl.handle.net/20.500.12749/6971
dc.language.iso	spa	spa
dc.publisher.faculty	Facultad Ingeniería	spa
dc.publisher.grantor	Universidad Autónoma de Bucaramanga UNAB	spa
dc.publisher.program	Pregrado Ingeniería de Sistemas	spa
dc.relation.references	Dickey, M. (2006). Game Design Narrative for Learning. Appropriating Adventure Game Design, 20.	spa
dc.relation.references	Fiszelew, A. a.-M. (2016). GENERACIÓN AUTOMÁTICA DE REDES NEURONALES CON AJUSTE DE PARÁMETROS BASADO EN ALGORITMOS GENÉTICOS. Instituto Tecnológico de Buenos Aires, 21.	spa
dc.relation.references	Fonseca Reyna, Y. C. (2015). A Reinforcement Learning Approach for Scheduling Problems. Investigación Operacional, 36.	spa
dc.relation.references	Fonseca-Reyna, Y. C.-J. (2017). Q-Learning Algorithm Performance for M-Machine, N-Jobs Flow Shop Scheduling Problems to Minimize Makespan. Investigación Operacional, 290.	spa
dc.relation.references	FUNGE, I. M. (2009). Artificial intelligence for games. Morgan Kaufmann, 800.	spa
dc.relation.references	FUNGE, I. M. (2009). ARTIFICIAL INTELLIGENCEFOR GAMES. Burlington: Elsevier Inc.	spa
dc.relation.references	Herrera, F. (2015). Un estudio empírico preliminar sobre los tests. Diseños experimentales, 10.	spa
dc.relation.references	J.R, Q. (1986). Induction of Decision Trees. Kluwer Academic, 26.	spa
dc.relation.references	Jennifer Hernández Bécares, L. C. (2016). An approach to automated videogame beta testing. Entertainment Computing, 92.	spa
dc.relation.references	John Schulman, F. W. (2017). Proximal Policy Optimization Algorithms. OpenAI, 12.	spa
dc.relation.references	Leo Galway, D. C. (2009). Machine learning in digital games: a survey. Springer Science, 2.	spa
dc.relation.references	Martínez, G. (2017). UNA VISIÓN GLOBAL DEL APRENDIZAJE AUTOMÁTICO. APRENDIZAJE AUTOMÁTICO, 14.	spa
dc.relation.references	Michael Bowling, J. F. (2006). Machine learning and games. Springer Science, 5.	spa
dc.relation.references	Mitchell. (1978). Version Spaces: An Approach to Concept. Stanford University, 200.	spa
dc.relation.references	Osindero, G. E. (2006). A fast learning algorithm for deep belief nets. Neural Computation, 16.	spa
dc.relation.references	Pavón, R. (2010). INTELIGENCIA ARTIFICIAL. Resumen de Tesis, 4.	spa
dc.relation.references	Sohn, I. (2018). A robust complex network generation method based on neural. Division of Electronics and Electrical Engineering, 9.	spa
dc.relation.references	Storkey, C. C. (2015). Teaching Deep Convolutional Neural Networks to Play Go. University of Edinburgh, 9.	spa
dc.relation.references	Y., Y. X. (1998). Toward Designing Artificial Neural Networks by Evolution. Applied Mathematics and Computation,, 91.	spa
dc.relation.references	Zhu, P. H. (2011). Strategy research on the performance optimization of 3D mobile game development based on Unity. Oxbridge College, 7.	spa
dc.rights.accessrights	info:eu-repo/semantics/openAccess	spa
dc.rights.accessrights	http://purl.org/coar/access_right/c_abf2	spa
dc.rights.creativecommons	Atribución-NoComercial-SinDerivadas 2.5 Colombia	*
dc.rights.local	Abierto (Texto Completo)	spa
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/2.5/co/	*
dc.subject.keywords	Systems engineer	eng
dc.subject.keywords	Machine learning	eng
dc.subject.keywords	Video games	eng
dc.subject.keywords	Electronic games	eng
dc.subject.keywords	Computer games	eng
dc.subject.keywords	Artificial intelligence	eng
dc.subject.lemb	Ingeniería de sistemas	spa
dc.subject.lemb	Videojuegos	spa
dc.subject.lemb	Juegos electrónicos	spa
dc.subject.lemb	Juegos con computador	spa
dc.subject.proposal	Aprendizaje automático	spa
dc.subject.proposal	Unity 3D	spa
dc.subject.proposal	Inteligencia artificial	spa
dc.title	Estudio e implementación de machine learning en el desarrollo de videojuegos	spa
dc.title.translated	Summary - Study and implementation of Machine Learning in the development of video games	eng
dc.type.coar	http://purl.org/coar/resource_type/c_7a1f
dc.type.driver	info:eu-repo/semantics/bachelorThesis
dc.type.hasversion	info:eu-repo/semantics/acceptedVersion
dc.type.local	Trabajo de Grado	spa
dc.type.redcol	http://purl.org/redcol/resource_type/TP