RL Pong
La tesis RL Pong evalúa tres algoritmos de aprendizaje por refuerzo (PPO, DQN y A2C) en el entorno del juego Pong para determinar su desempeño en términos de estabilidad, recompensa acumulada y velocidad de convergencia. PPO demostró ser el más eficaz, alcanzando altas recompensas y estabilidad, mie...
- Autores:
-
Fonseca García, Alan Snade
- Tipo de recurso:
- Trabajo de grado de pregrado
- Fecha de publicación:
- 2024
- Institución:
- Universidad de los Andes
- Repositorio:
- Séneca: repositorio Uniandes
- Idioma:
- spa
- OAI Identifier:
- oai:repositorio.uniandes.edu.co:1992/75541
- Acceso en línea:
- https://hdl.handle.net/1992/75541
- Palabra clave:
- Aprendizaje por refuerzo (Reinforcement Learning)
Pong
Inteligencia artificial
Redes neuronales convolucionales (CNN)
Optimización de políticas
Evaluación de modelos
Hiperparámetros
Comparación de algoritmos
Proximal Policy Optimization (PPO)
Deep Q-Network (DQN)
Advantage Actor-Critic (A2C)
Ingeniería
- Rights
- openAccess
- License
- Attribution 4.0 International
| id |
UNIANDES2_4cf239aee76cd0e00c5deb0cf7f35409 |
|---|---|
| oai_identifier_str |
oai:repositorio.uniandes.edu.co:1992/75541 |
| network_acronym_str |
UNIANDES2 |
| network_name_str |
Séneca: repositorio Uniandes |
| repository_id_str |
|
| dc.title.none.fl_str_mv |
RL Pong |
| title |
RL Pong |
| spellingShingle |
RL Pong Aprendizaje por refuerzo (Reinforcement Learning) Pong Inteligencia artificial Redes neuronales convolucionales (CNN) Optimización de políticas Evaluación de modelos Hiperparámetros Comparación de algoritmos Proximal Policy Optimization (PPO) Deep Q-Network (DQN) Advantage Actor-Critic (A2C) Ingeniería |
| title_short |
RL Pong |
| title_full |
RL Pong |
| title_fullStr |
RL Pong |
| title_full_unstemmed |
RL Pong |
| title_sort |
RL Pong |
| dc.creator.fl_str_mv |
Fonseca García, Alan Snade |
| dc.contributor.advisor.none.fl_str_mv |
Takahashi Rodríguez, Silvia |
| dc.contributor.author.none.fl_str_mv |
Fonseca García, Alan Snade |
| dc.contributor.jury.none.fl_str_mv |
Takahashi Rodríguez, Silvia |
| dc.subject.keyword.spa.fl_str_mv |
Aprendizaje por refuerzo (Reinforcement Learning) Pong Inteligencia artificial Redes neuronales convolucionales (CNN) Optimización de políticas Evaluación de modelos Hiperparámetros Comparación de algoritmos |
| topic |
Aprendizaje por refuerzo (Reinforcement Learning) Pong Inteligencia artificial Redes neuronales convolucionales (CNN) Optimización de políticas Evaluación de modelos Hiperparámetros Comparación de algoritmos Proximal Policy Optimization (PPO) Deep Q-Network (DQN) Advantage Actor-Critic (A2C) Ingeniería |
| dc.subject.keyword.eng.fl_str_mv |
Proximal Policy Optimization (PPO) Deep Q-Network (DQN) Advantage Actor-Critic (A2C) |
| dc.subject.themes.none.fl_str_mv |
Ingeniería |
| description |
La tesis RL Pong evalúa tres algoritmos de aprendizaje por refuerzo (PPO, DQN y A2C) en el entorno del juego Pong para determinar su desempeño en términos de estabilidad, recompensa acumulada y velocidad de convergencia. PPO demostró ser el más eficaz, alcanzando altas recompensas y estabilidad, mientras que DQN presentó limitaciones significativas debido a su incapacidad para capturar relaciones temporales complejas. A2C mostró un desempeño inicial prometedor, aunque con resultados inferiores, requiriendo ajustes adicionales. La tesis resalta el potencial de PPO para tareas de alta dimensionalidad y propone optimizar los modelos mediante extensiones de entrenamiento, ajuste de hiperparámetros y exploración de algoritmos más avanzados como SAC y TD3. |
| publishDate |
2024 |
| dc.date.issued.none.fl_str_mv |
2024-12-08 |
| dc.date.accessioned.none.fl_str_mv |
2025-01-21T19:56:22Z |
| dc.date.available.none.fl_str_mv |
2025-01-21T19:56:22Z |
| dc.type.none.fl_str_mv |
Trabajo de grado - Pregrado |
| dc.type.driver.none.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
| dc.type.version.none.fl_str_mv |
info:eu-repo/semantics/acceptedVersion |
| dc.type.coar.none.fl_str_mv |
http://purl.org/coar/resource_type/c_7a1f |
| dc.type.content.none.fl_str_mv |
Text |
| dc.type.redcol.none.fl_str_mv |
http://purl.org/redcol/resource_type/TP |
| format |
http://purl.org/coar/resource_type/c_7a1f |
| status_str |
acceptedVersion |
| dc.identifier.uri.none.fl_str_mv |
https://hdl.handle.net/1992/75541 |
| dc.identifier.instname.none.fl_str_mv |
instname:Universidad de los Andes |
| dc.identifier.reponame.none.fl_str_mv |
reponame:Repositorio Institucional Séneca |
| dc.identifier.repourl.none.fl_str_mv |
repourl:https://repositorio.uniandes.edu.co/ |
| url |
https://hdl.handle.net/1992/75541 |
| identifier_str_mv |
instname:Universidad de los Andes reponame:Repositorio Institucional Séneca repourl:https://repositorio.uniandes.edu.co/ |
| dc.language.iso.none.fl_str_mv |
spa |
| language |
spa |
| dc.relation.references.none.fl_str_mv |
Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press. Disponible en: https://www.deeplearningbook.org. Mnih, V., Kavukcuoglu, K., Silver, D., Rusu, A. A., Veness, J., Bellemare, M. G., ... & Hassabis, D. (2015). Human-level control through deep reinforcement learning. Nature, 518(7540), 529–533. https://doi.org/10.1038/nature14236. Schulman, J., Wolski, F., Dhariwal, P., Radford, A., & Klimov, O. (2017). Proximal Policy Optimization Algorithms. arXiv preprint arXiv:1707.06347. Mnih, V., Badia, A. P., Mirza, M., Graves, A., Harley, T., Lillicrap, T., ... & Kavukcuoglu, K. (2016). Asynchronous methods for deep reinforcement learning. Proceedings of the 33rd International Conference on Machine Learning (ICML). https://arxiv.org/abs/1602.01783. Sutton, R. S., & Barto, A. G. (2018). Reinforcement Learning: An Introduction (2nd ed.). MIT Press. Disponible en: http://incompleteideas.net/book/the-book-2nd.html Raffin, A., Hill, A., Gleave, A., Kanervisto, A., Ernestus, M., & Dormann, N. (2021). Stable-Baselines3: Reliable Reinforcement Learning Implementations. Journal of Machine Learning Research (JMLR). Disponible en: https://github.com/DLR-RM/stable-baselines3 OpenAI. (2024). Implementación propuesta del modelo Advantage Actor-Critic (A2C) para el entorno Pong en Stable-Baselines3. Texto generado por el modelo ChatGPT. Recuperado de https://chat.openai.com/. |
| dc.rights.en.fl_str_mv |
Attribution 4.0 International |
| dc.rights.uri.none.fl_str_mv |
http://creativecommons.org/licenses/by/4.0/ |
| dc.rights.accessrights.none.fl_str_mv |
info:eu-repo/semantics/openAccess |
| dc.rights.coar.none.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
| rights_invalid_str_mv |
Attribution 4.0 International http://creativecommons.org/licenses/by/4.0/ http://purl.org/coar/access_right/c_abf2 |
| eu_rights_str_mv |
openAccess |
| dc.format.extent.none.fl_str_mv |
20 páginas |
| dc.format.mimetype.none.fl_str_mv |
application/pdf |
| dc.publisher.none.fl_str_mv |
Universidad de los Andes |
| dc.publisher.program.none.fl_str_mv |
Ingeniería de Sistemas y Computación |
| dc.publisher.faculty.none.fl_str_mv |
Facultad de Ingeniería |
| dc.publisher.department.none.fl_str_mv |
Departamento de Ingeniería Sistemas y Computación |
| publisher.none.fl_str_mv |
Universidad de los Andes |
| institution |
Universidad de los Andes |
| bitstream.url.fl_str_mv |
https://repositorio.uniandes.edu.co/bitstreams/d0d9da49-b47c-423f-9718-0a6e02f08a39/download https://repositorio.uniandes.edu.co/bitstreams/3215c96d-947c-4603-aec6-3ae325170dae/download https://repositorio.uniandes.edu.co/bitstreams/5af6d0af-4008-454f-a6dd-7816e48dbc64/download https://repositorio.uniandes.edu.co/bitstreams/f87101e1-fdb7-48aa-8079-b3cbe3bb2e4a/download https://repositorio.uniandes.edu.co/bitstreams/6cc82f05-f2b2-418f-b886-6f490b22f058/download https://repositorio.uniandes.edu.co/bitstreams/973f7fef-f381-4bc0-8392-fd97eac90928/download https://repositorio.uniandes.edu.co/bitstreams/73337483-d445-4c9b-a9c3-9bd90cb8a672/download https://repositorio.uniandes.edu.co/bitstreams/42e7efb5-f4c4-4f82-b83a-f1cf97f34458/download |
| bitstream.checksum.fl_str_mv |
fd50bebfac07060be318f22fe17757b5 d43ce6b13d96427a09a62e9de313135e 0175ea4a2d4caec4bbcc37e300941108 ae9e573a68e7f92501b6913cc846c39f d5badb0894502984bc1a399cd7464791 9b1e467d5d785cf323a2f945dac35382 1f99832d75fc75bc2e0a7b231e316efc b1f5969a690cc4c7538fa8e21a2a278d |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 MD5 MD5 MD5 MD5 |
| repository.name.fl_str_mv |
Repositorio institucional Séneca |
| repository.mail.fl_str_mv |
adminrepositorio@uniandes.edu.co |
| _version_ |
1831927739497578496 |
| spelling |
Takahashi Rodríguez, Silviavirtual::22335-1Fonseca García, Alan SnadeTakahashi Rodríguez, Silvia2025-01-21T19:56:22Z2025-01-21T19:56:22Z2024-12-08https://hdl.handle.net/1992/75541instname:Universidad de los Andesreponame:Repositorio Institucional Sénecarepourl:https://repositorio.uniandes.edu.co/La tesis RL Pong evalúa tres algoritmos de aprendizaje por refuerzo (PPO, DQN y A2C) en el entorno del juego Pong para determinar su desempeño en términos de estabilidad, recompensa acumulada y velocidad de convergencia. PPO demostró ser el más eficaz, alcanzando altas recompensas y estabilidad, mientras que DQN presentó limitaciones significativas debido a su incapacidad para capturar relaciones temporales complejas. A2C mostró un desempeño inicial prometedor, aunque con resultados inferiores, requiriendo ajustes adicionales. La tesis resalta el potencial de PPO para tareas de alta dimensionalidad y propone optimizar los modelos mediante extensiones de entrenamiento, ajuste de hiperparámetros y exploración de algoritmos más avanzados como SAC y TD3.Pregrado20 páginasapplication/pdfspaUniversidad de los AndesIngeniería de Sistemas y ComputaciónFacultad de IngenieríaDepartamento de Ingeniería Sistemas y ComputaciónAttribution 4.0 Internationalhttp://creativecommons.org/licenses/by/4.0/info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2RL PongTrabajo de grado - Pregradoinfo:eu-repo/semantics/bachelorThesisinfo:eu-repo/semantics/acceptedVersionhttp://purl.org/coar/resource_type/c_7a1fTexthttp://purl.org/redcol/resource_type/TPAprendizaje por refuerzo (Reinforcement Learning)PongInteligencia artificialRedes neuronales convolucionales (CNN)Optimización de políticasEvaluación de modelosHiperparámetrosComparación de algoritmosProximal Policy Optimization (PPO)Deep Q-Network (DQN)Advantage Actor-Critic (A2C)IngenieríaGoodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press. Disponible en: https://www.deeplearningbook.org.Mnih, V., Kavukcuoglu, K., Silver, D., Rusu, A. A., Veness, J., Bellemare, M. G., ... & Hassabis, D. (2015). Human-level control through deep reinforcement learning. Nature, 518(7540), 529–533. https://doi.org/10.1038/nature14236.Schulman, J., Wolski, F., Dhariwal, P., Radford, A., & Klimov, O. (2017). Proximal Policy Optimization Algorithms. arXiv preprint arXiv:1707.06347.Mnih, V., Badia, A. P., Mirza, M., Graves, A., Harley, T., Lillicrap, T., ... & Kavukcuoglu, K. (2016). Asynchronous methods for deep reinforcement learning. Proceedings of the 33rd International Conference on Machine Learning (ICML). https://arxiv.org/abs/1602.01783.Sutton, R. S., & Barto, A. G. (2018). Reinforcement Learning: An Introduction (2nd ed.). MIT Press. Disponible en: http://incompleteideas.net/book/the-book-2nd.htmlRaffin, A., Hill, A., Gleave, A., Kanervisto, A., Ernestus, M., & Dormann, N. (2021). Stable-Baselines3: Reliable Reinforcement Learning Implementations. Journal of Machine Learning Research (JMLR). Disponible en: https://github.com/DLR-RM/stable-baselines3OpenAI. (2024). Implementación propuesta del modelo Advantage Actor-Critic (A2C) para el entorno Pong en Stable-Baselines3. Texto generado por el modelo ChatGPT. Recuperado de https://chat.openai.com/.202111432Publicationhttps://scholar.google.es/citations?user=x7gjZ04AAAAJvirtual::22335-10000-0001-7971-8979virtual::22335-1https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0000143898virtual::22335-17ab9a4e1-60f0-4e06-936b-39f2bf93d8a0virtual::22335-17ab9a4e1-60f0-4e06-936b-39f2bf93d8a0virtual::22335-1ORIGINALautorizacion tesis Alan.pdfautorizacion tesis Alan.pdfHIDEapplication/pdf258822https://repositorio.uniandes.edu.co/bitstreams/d0d9da49-b47c-423f-9718-0a6e02f08a39/downloadfd50bebfac07060be318f22fe17757b5MD51RL Pong.pdfRL Pong.pdfapplication/pdf856197https://repositorio.uniandes.edu.co/bitstreams/3215c96d-947c-4603-aec6-3ae325170dae/downloadd43ce6b13d96427a09a62e9de313135eMD52CC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8908https://repositorio.uniandes.edu.co/bitstreams/5af6d0af-4008-454f-a6dd-7816e48dbc64/download0175ea4a2d4caec4bbcc37e300941108MD53LICENSElicense.txtlicense.txttext/plain; charset=utf-82535https://repositorio.uniandes.edu.co/bitstreams/f87101e1-fdb7-48aa-8079-b3cbe3bb2e4a/downloadae9e573a68e7f92501b6913cc846c39fMD54TEXTautorizacion tesis Alan.pdf.txtautorizacion tesis Alan.pdf.txtExtracted texttext/plain1345https://repositorio.uniandes.edu.co/bitstreams/6cc82f05-f2b2-418f-b886-6f490b22f058/downloadd5badb0894502984bc1a399cd7464791MD55RL Pong.pdf.txtRL Pong.pdf.txtExtracted texttext/plain28314https://repositorio.uniandes.edu.co/bitstreams/973f7fef-f381-4bc0-8392-fd97eac90928/download9b1e467d5d785cf323a2f945dac35382MD57THUMBNAILautorizacion tesis Alan.pdf.jpgautorizacion tesis Alan.pdf.jpgGenerated Thumbnailimage/jpeg10544https://repositorio.uniandes.edu.co/bitstreams/73337483-d445-4c9b-a9c3-9bd90cb8a672/download1f99832d75fc75bc2e0a7b231e316efcMD56RL Pong.pdf.jpgRL Pong.pdf.jpgGenerated Thumbnailimage/jpeg4589https://repositorio.uniandes.edu.co/bitstreams/42e7efb5-f4c4-4f82-b83a-f1cf97f34458/downloadb1f5969a690cc4c7538fa8e21a2a278dMD581992/75541oai:repositorio.uniandes.edu.co:1992/755412025-03-05 10:02:27.606http://creativecommons.org/licenses/by/4.0/Attribution 4.0 Internationalopen.accesshttps://repositorio.uniandes.edu.coRepositorio institucional Sénecaadminrepositorio@uniandes.edu.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 |