Estudio e implementación de machine learning en el desarrollo de videojuegos
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...
- Autores:
-
Duarte Antolinez, Juan Diego
- Tipo de recurso:
- Trabajo de grado de pregrado
- Fecha de publicación:
- 2019
- Institución:
- Universidad Autónoma de Bucaramanga - UNAB
- Repositorio:
- Repositorio UNAB
- Idioma:
- spa
- OAI Identifier:
- oai:repository.unab.edu.co:20.500.12749/6971
- Acceso en línea:
- http://hdl.handle.net/20.500.12749/6971
- Palabra clave:
- Systems engineer
Machine learning
Video games
Electronic games
Computer games
Artificial intelligence
Ingeniería de sistemas
Videojuegos
Juegos electrónicos
Juegos con computador
Aprendizaje automático
Unity 3D
Inteligencia artificial
- Rights
- openAccess
- License
- http://creativecommons.org/licenses/by-nc-nd/2.5/co/
| id |
UNAB2_24bfa4a9fbf0e225b2e7f5f6321096c1 |
|---|---|
| oai_identifier_str |
oai:repository.unab.edu.co:20.500.12749/6971 |
| network_acronym_str |
UNAB2 |
| network_name_str |
Repositorio UNAB |
| repository_id_str |
|
| dc.title.spa.fl_str_mv |
Estudio e implementación de machine learning en el desarrollo de videojuegos |
| dc.title.translated.eng.fl_str_mv |
Summary - Study and implementation of Machine Learning in the development of video games |
| title |
Estudio e implementación de machine learning en el desarrollo de videojuegos |
| spellingShingle |
Estudio e implementación de machine learning en el desarrollo de videojuegos Systems engineer Machine learning Video games Electronic games Computer games Artificial intelligence Ingeniería de sistemas Videojuegos Juegos electrónicos Juegos con computador Aprendizaje automático Unity 3D Inteligencia artificial |
| title_short |
Estudio e implementación de machine learning en el desarrollo de videojuegos |
| title_full |
Estudio e implementación de machine learning en el desarrollo de videojuegos |
| title_fullStr |
Estudio e implementación de machine learning en el desarrollo de videojuegos |
| title_full_unstemmed |
Estudio e implementación de machine learning en el desarrollo de videojuegos |
| title_sort |
Estudio e implementación de machine learning en el desarrollo de videojuegos |
| dc.creator.fl_str_mv |
Duarte Antolinez, Juan Diego |
| dc.contributor.advisor.spa.fl_str_mv |
Uribe Ordoñez, Nitae Andrés |
| dc.contributor.author.spa.fl_str_mv |
Duarte Antolinez, Juan Diego |
| dc.contributor.cvlac.*.fl_str_mv |
Uribe Ordoñez, Nitae Andrés [0001346209] |
| dc.contributor.researchgate.*.fl_str_mv |
Uribe Ordoñez, Nitae Andrés [Nitae-Uribe] |
| dc.subject.keywords.eng.fl_str_mv |
Systems engineer Machine learning Video games Electronic games Computer games Artificial intelligence |
| topic |
Systems engineer Machine learning Video games Electronic games Computer games Artificial intelligence Ingeniería de sistemas Videojuegos Juegos electrónicos Juegos con computador Aprendizaje automático Unity 3D Inteligencia artificial |
| dc.subject.lemb.spa.fl_str_mv |
Ingeniería de sistemas Videojuegos Juegos electrónicos Juegos con computador |
| dc.subject.proposal.spa.fl_str_mv |
Aprendizaje automático Unity 3D Inteligencia artificial |
| description |
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. |
| publishDate |
2019 |
| dc.date.issued.none.fl_str_mv |
2019-06 |
| dc.date.accessioned.none.fl_str_mv |
2020-07-17T07:58:19Z |
| dc.date.available.none.fl_str_mv |
2020-07-17T07:58:19Z |
| dc.type.driver.none.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
| dc.type.local.spa.fl_str_mv |
Trabajo de Grado |
| dc.type.coar.none.fl_str_mv |
http://purl.org/coar/resource_type/c_7a1f |
| dc.type.redcol.none.fl_str_mv |
http://purl.org/redcol/resource_type/TP |
| format |
http://purl.org/coar/resource_type/c_7a1f |
| dc.identifier.uri.none.fl_str_mv |
http://hdl.handle.net/20.500.12749/6971 |
| dc.identifier.instname.spa.fl_str_mv |
instname:Universidad Autónoma de Bucaramanga - UNAB |
| dc.identifier.reponame.spa.fl_str_mv |
reponame:Repositorio Institucional UNAB |
| dc.identifier.repourl.spa.fl_str_mv |
repourl:https://repository.unab.edu.co |
| url |
http://hdl.handle.net/20.500.12749/6971 |
| identifier_str_mv |
instname:Universidad Autónoma de Bucaramanga - UNAB reponame:Repositorio Institucional UNAB repourl:https://repository.unab.edu.co |
| dc.language.iso.spa.fl_str_mv |
spa |
| language |
spa |
| dc.relation.references.spa.fl_str_mv |
Dickey, M. (2006). Game Design Narrative for Learning. Appropriating Adventure Game Design, 20. Fiszelew, A. a.-M. (2016). GENERACIÓN AUTOMÁTICA DE REDES NEURONALES CON AJUSTE DE PARÁMETROS BASADO EN ALGORITMOS GENÉTICOS. Instituto Tecnológico de Buenos Aires, 21. Fonseca Reyna, Y. C. (2015). A Reinforcement Learning Approach for Scheduling Problems. Investigación Operacional, 36. 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. FUNGE, I. M. (2009). Artificial intelligence for games. Morgan Kaufmann, 800. FUNGE, I. M. (2009). ARTIFICIAL INTELLIGENCEFOR GAMES. Burlington: Elsevier Inc. Herrera, F. (2015). Un estudio empírico preliminar sobre los tests. Diseños experimentales, 10. J.R, Q. (1986). Induction of Decision Trees. Kluwer Academic, 26. Jennifer Hernández Bécares, L. C. (2016). An approach to automated videogame beta testing. Entertainment Computing, 92. John Schulman, F. W. (2017). Proximal Policy Optimization Algorithms. OpenAI, 12. Leo Galway, D. C. (2009). Machine learning in digital games: a survey. Springer Science, 2. Martínez, G. (2017). UNA VISIÓN GLOBAL DEL APRENDIZAJE AUTOMÁTICO. APRENDIZAJE AUTOMÁTICO, 14. Michael Bowling, J. F. (2006). Machine learning and games. Springer Science, 5. Mitchell. (1978). Version Spaces: An Approach to Concept. Stanford University, 200. Osindero, G. E. (2006). A fast learning algorithm for deep belief nets. Neural Computation, 16. Pavón, R. (2010). INTELIGENCIA ARTIFICIAL. Resumen de Tesis, 4. Sohn, I. (2018). A robust complex network generation method based on neural. Division of Electronics and Electrical Engineering, 9. Storkey, C. C. (2015). Teaching Deep Convolutional Neural Networks to Play Go. University of Edinburgh, 9. Y., Y. X. (1998). Toward Designing Artificial Neural Networks by Evolution. Applied Mathematics and Computation,, 91. Zhu, P. H. (2011). Strategy research on the performance optimization of 3D mobile game development based on Unity. Oxbridge College, 7. |
| dc.rights.uri.*.fl_str_mv |
http://creativecommons.org/licenses/by-nc-nd/2.5/co/ |
| dc.rights.local.spa.fl_str_mv |
Abierto (Texto Completo) |
| dc.rights.accessrights.spa.fl_str_mv |
info:eu-repo/semantics/openAccess http://purl.org/coar/access_right/c_abf2 |
| dc.rights.creativecommons.*.fl_str_mv |
Atribución-NoComercial-SinDerivadas 2.5 Colombia |
| rights_invalid_str_mv |
http://creativecommons.org/licenses/by-nc-nd/2.5/co/ Abierto (Texto Completo) http://purl.org/coar/access_right/c_abf2 Atribución-NoComercial-SinDerivadas 2.5 Colombia |
| eu_rights_str_mv |
openAccess |
| dc.format.mimetype.spa.fl_str_mv |
application/pdf |
| dc.coverage.campus.spa.fl_str_mv |
UNAB Campus Bucaramanga |
| dc.publisher.grantor.spa.fl_str_mv |
Universidad Autónoma de Bucaramanga UNAB |
| dc.publisher.faculty.spa.fl_str_mv |
Facultad Ingeniería |
| dc.publisher.program.spa.fl_str_mv |
Pregrado Ingeniería de Sistemas |
| institution |
Universidad Autónoma de Bucaramanga - UNAB |
| bitstream.url.fl_str_mv |
https://repository.unab.edu.co/bitstream/20.500.12749/6971/1/2019_Tesis_Duarte_Antolinez_Juan_Diego.pdf https://repository.unab.edu.co/bitstream/20.500.12749/6971/2/2019_Licencia_Duarte_Antolinez_Juan_Diego.pdf https://repository.unab.edu.co/bitstream/20.500.12749/6971/3/license.txt https://repository.unab.edu.co/bitstream/20.500.12749/6971/4/2019_Tesis_Duarte_Antolinez_Juan_Diego.pdf.jpg https://repository.unab.edu.co/bitstream/20.500.12749/6971/5/2019_Licencia_Duarte_Antolinez_Juan_Diego.pdf.jpg |
| bitstream.checksum.fl_str_mv |
7300626b64592e75b49cc7ab0fd7b549 ab14a3ca3aa240b4827d9507362815b2 8a4605be74aa9ea9d79846c1fba20a33 46bc318299a0e6af9b9f1ab144faf9fa 82f1a1f974cf741c2d1ebaf023f4186a |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 MD5 |
| repository.name.fl_str_mv |
Repositorio Institucional | Universidad Autónoma de Bucaramanga - UNAB |
| repository.mail.fl_str_mv |
repositorio@unab.edu.co |
| _version_ |
1814277259964448768 |
| spelling |
Uribe Ordoñez, Nitae Andrés38305baa-75b8-4df2-b2ad-c4b1e3532e20-1Duarte Antolinez, Juan Diegodaa2e960-0463-48f8-8921-23756e3f715a-1Uribe Ordoñez, Nitae Andrés [0001346209]Uribe Ordoñez, Nitae Andrés [Nitae-Uribe]2020-07-17T07:58:19Z2020-07-17T07:58:19Z2019-06http://hdl.handle.net/20.500.12749/6971instname:Universidad Autónoma de Bucaramanga - UNABreponame:Repositorio Institucional UNABrepourl:https://repository.unab.edu.coEn 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.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 59PregradoAn 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.Modalidad Presencialapplication/pdfspahttp://creativecommons.org/licenses/by-nc-nd/2.5/co/Abierto (Texto Completo)info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Atribución-NoComercial-SinDerivadas 2.5 ColombiaEstudio e implementación de machine learning en el desarrollo de videojuegosSummary - Study and implementation of Machine Learning in the development of video gamesIngeniero de SistemasUniversidad Autónoma de Bucaramanga UNABFacultad IngenieríaPregrado Ingeniería de Sistemasinfo:eu-repo/semantics/bachelorThesisTrabajo de Gradohttp://purl.org/coar/resource_type/c_7a1fhttp://purl.org/redcol/resource_type/TPSystems engineerMachine learningVideo gamesElectronic gamesComputer gamesArtificial intelligenceIngeniería de sistemasVideojuegosJuegos electrónicosJuegos con computadorAprendizaje automáticoUnity 3DInteligencia artificialDickey, M. (2006). Game Design Narrative for Learning. Appropriating Adventure Game Design, 20.Fiszelew, A. a.-M. (2016). GENERACIÓN AUTOMÁTICA DE REDES NEURONALES CON AJUSTE DE PARÁMETROS BASADO EN ALGORITMOS GENÉTICOS. Instituto Tecnológico de Buenos Aires, 21.Fonseca Reyna, Y. C. (2015). A Reinforcement Learning Approach for Scheduling Problems. Investigación Operacional, 36.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.FUNGE, I. M. (2009). Artificial intelligence for games. Morgan Kaufmann, 800.FUNGE, I. M. (2009). ARTIFICIAL INTELLIGENCEFOR GAMES. Burlington: Elsevier Inc.Herrera, F. (2015). Un estudio empírico preliminar sobre los tests. Diseños experimentales, 10.J.R, Q. (1986). Induction of Decision Trees. Kluwer Academic, 26.Jennifer Hernández Bécares, L. C. (2016). An approach to automated videogame beta testing. Entertainment Computing, 92.John Schulman, F. W. (2017). Proximal Policy Optimization Algorithms. OpenAI, 12.Leo Galway, D. C. (2009). Machine learning in digital games: a survey. Springer Science, 2.Martínez, G. (2017). UNA VISIÓN GLOBAL DEL APRENDIZAJE AUTOMÁTICO. APRENDIZAJE AUTOMÁTICO, 14.Michael Bowling, J. F. (2006). Machine learning and games. Springer Science, 5.Mitchell. (1978). Version Spaces: An Approach to Concept. Stanford University, 200.Osindero, G. E. (2006). A fast learning algorithm for deep belief nets. Neural Computation, 16.Pavón, R. (2010). INTELIGENCIA ARTIFICIAL. Resumen de Tesis, 4.Sohn, I. (2018). A robust complex network generation method based on neural. Division of Electronics and Electrical Engineering, 9.Storkey, C. C. (2015). Teaching Deep Convolutional Neural Networks to Play Go. University of Edinburgh, 9.Y., Y. X. (1998). Toward Designing Artificial Neural Networks by Evolution. Applied Mathematics and Computation,, 91.Zhu, P. H. (2011). Strategy research on the performance optimization of 3D mobile game development based on Unity. Oxbridge College, 7.UNAB Campus BucaramangaORIGINAL2019_Tesis_Duarte_Antolinez_Juan_Diego.pdf2019_Tesis_Duarte_Antolinez_Juan_Diego.pdfTesisapplication/pdf1724902https://repository.unab.edu.co/bitstream/20.500.12749/6971/1/2019_Tesis_Duarte_Antolinez_Juan_Diego.pdf7300626b64592e75b49cc7ab0fd7b549MD51open access2019_Licencia_Duarte_Antolinez_Juan_Diego.pdf2019_Licencia_Duarte_Antolinez_Juan_Diego.pdfLicenciaapplication/pdf5294332https://repository.unab.edu.co/bitstream/20.500.12749/6971/2/2019_Licencia_Duarte_Antolinez_Juan_Diego.pdfab14a3ca3aa240b4827d9507362815b2MD52metadata only accessLICENSElicense.txtlicense.txttext/plain; charset=utf-81748https://repository.unab.edu.co/bitstream/20.500.12749/6971/3/license.txt8a4605be74aa9ea9d79846c1fba20a33MD53open accessTHUMBNAIL2019_Tesis_Duarte_Antolinez_Juan_Diego.pdf.jpg2019_Tesis_Duarte_Antolinez_Juan_Diego.pdf.jpgIM Thumbnailimage/jpeg4964https://repository.unab.edu.co/bitstream/20.500.12749/6971/4/2019_Tesis_Duarte_Antolinez_Juan_Diego.pdf.jpg46bc318299a0e6af9b9f1ab144faf9faMD54open access2019_Licencia_Duarte_Antolinez_Juan_Diego.pdf.jpg2019_Licencia_Duarte_Antolinez_Juan_Diego.pdf.jpgIM Thumbnailimage/jpeg10725https://repository.unab.edu.co/bitstream/20.500.12749/6971/5/2019_Licencia_Duarte_Antolinez_Juan_Diego.pdf.jpg82f1a1f974cf741c2d1ebaf023f4186aMD55metadata only access20.500.12749/6971oai:repository.unab.edu.co:20.500.12749/69712023-03-15 10:07:50.233open accessRepositorio Institucional | Universidad Autónoma de Bucaramanga - UNABrepositorio@unab.edu.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 |