Aprendizaje y optimización de variaciones estratégicas en blackjack mediante aprendizaje por refuerzo en un entorno de simulación realista
Este documento presenta un enfoque integral para optimizar estrategias en Blackjack mediante el uso de Aprendizaje por Refuerzo (RL), resaltando su innovación al incorporar el conteo de cartas a través del True Count en un entorno de simulación realista. La combinación de técnicas avanzadas de RL, c...
- Autores:
-
Cuellar Argotty, Juan Esteban
- Tipo de recurso:
- Trabajo de grado de pregrado
- Fecha de publicación:
- 2025
- Institución:
- Universidad de los Andes
- Repositorio:
- Séneca: repositorio Uniandes
- Idioma:
- spa
- OAI Identifier:
- oai:repositorio.uniandes.edu.co:1992/75506
- Acceso en línea:
- https://hdl.handle.net/1992/75506
- Palabra clave:
- Blackjack
Aprendizaje por refuerzo
Deep Q-Network
Illustrious 18
Hard-nudging
Ingeniería
- Rights
- openAccess
- License
- Attribution-NonCommercial-NoDerivatives 4.0 International
| id |
UNIANDES2_64b90c14a4eff4696282eb05f954719d |
|---|---|
| oai_identifier_str |
oai:repositorio.uniandes.edu.co:1992/75506 |
| network_acronym_str |
UNIANDES2 |
| network_name_str |
Séneca: repositorio Uniandes |
| repository_id_str |
|
| dc.title.none.fl_str_mv |
Aprendizaje y optimización de variaciones estratégicas en blackjack mediante aprendizaje por refuerzo en un entorno de simulación realista |
| title |
Aprendizaje y optimización de variaciones estratégicas en blackjack mediante aprendizaje por refuerzo en un entorno de simulación realista |
| spellingShingle |
Aprendizaje y optimización de variaciones estratégicas en blackjack mediante aprendizaje por refuerzo en un entorno de simulación realista Blackjack Aprendizaje por refuerzo Deep Q-Network Illustrious 18 Hard-nudging Ingeniería |
| title_short |
Aprendizaje y optimización de variaciones estratégicas en blackjack mediante aprendizaje por refuerzo en un entorno de simulación realista |
| title_full |
Aprendizaje y optimización de variaciones estratégicas en blackjack mediante aprendizaje por refuerzo en un entorno de simulación realista |
| title_fullStr |
Aprendizaje y optimización de variaciones estratégicas en blackjack mediante aprendizaje por refuerzo en un entorno de simulación realista |
| title_full_unstemmed |
Aprendizaje y optimización de variaciones estratégicas en blackjack mediante aprendizaje por refuerzo en un entorno de simulación realista |
| title_sort |
Aprendizaje y optimización de variaciones estratégicas en blackjack mediante aprendizaje por refuerzo en un entorno de simulación realista |
| dc.creator.fl_str_mv |
Cuellar Argotty, Juan Esteban |
| dc.contributor.advisor.none.fl_str_mv |
Lozano Martínez, Fernando Enrique |
| dc.contributor.author.none.fl_str_mv |
Cuellar Argotty, Juan Esteban |
| dc.contributor.jury.none.fl_str_mv |
Osma Cruz, Johann Faccelo |
| dc.subject.keyword.none.fl_str_mv |
Blackjack Aprendizaje por refuerzo Deep Q-Network Illustrious 18 Hard-nudging |
| topic |
Blackjack Aprendizaje por refuerzo Deep Q-Network Illustrious 18 Hard-nudging Ingeniería |
| dc.subject.themes.spa.fl_str_mv |
Ingeniería |
| description |
Este documento presenta un enfoque integral para optimizar estrategias en Blackjack mediante el uso de Aprendizaje por Refuerzo (RL), resaltando su innovación al incorporar el conteo de cartas a través del True Count en un entorno de simulación realista. La combinación de técnicas avanzadas de RL, como el algoritmo Deep Q-Network (DQN), con métodos de aprendizaje guiado (hard-nudging) permite al agente replicar estrategias básicas y aprender desviaciones estratégicas avanzadas, como la Illustrious 18. Este enfoque no solo valida la aplicabilidad del RL en juegos de azar, sino que también abre nuevas posibilidades para diseñar sistemas de decisión inteligentes adaptativos en contextos dinámicos. |
| publishDate |
2025 |
| dc.date.accessioned.none.fl_str_mv |
2025-01-20T20:55:23Z |
| dc.date.available.none.fl_str_mv |
2025-01-20T20:55:23Z |
| dc.date.issued.none.fl_str_mv |
2025-01-17 |
| 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/1992/75506 |
| 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/1992/75506 |
| 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 |
Sutton, Richard S., and Barto, Andrew G. Reinforcement Learning: An Introduction. 2nd ed., MIT Press, 2018. Li, Lihong, and Littman, Michael L. "Reducing Exploration in Reinforcement Learning by Exploiting Generalization." Proceedings of the 26th International Conference on Machine Learning (ICML), 2009, pp. 608-615. Tesauro, Gerald. "Temporal Difference Learning and TD-Gammon." Neural Networks, vol. 10, no. 1, 1995, pp. 105-119. Moravčík, Miha, et al. "DeepStack: Expert-level artificial intelligence in heads-up no-limit poker." Nature, vol. 549, 2017, pp. 484-489. Brown, Noam, and Tuomas Sandholm. "Superhuman AI for heads-up no-limit poker: Libratus beats top professionals." Science, vol. 359, no. 6374, 2018, pp. 418-424. Hessel, Matteo, et al. "Rainbow: Combining Improvements in Deep Reinforcement Learning." Proceedings of the AAAI Conference on Artificial Intelligence, vol. 32, no. 1, 2018, pp. 3215-3222. Thorp, Edward O. "A Favorable Strategy for Twenty-One." Proceedings of the National Academy of Sciences, vol. 47, no. 1, 1961, pp. 110-112. Thorp, Edward O. Beat the Dealer: A Winning Strategy for the Game of Twenty-One. Random House, New York, 1962. |
| dc.rights.en.fl_str_mv |
Attribution-NonCommercial-NoDerivatives 4.0 International |
| dc.rights.uri.none.fl_str_mv |
http://creativecommons.org/licenses/by-nc-nd/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-NonCommercial-NoDerivatives 4.0 International http://creativecommons.org/licenses/by-nc-nd/4.0/ http://purl.org/coar/access_right/c_abf2 |
| eu_rights_str_mv |
openAccess |
| dc.format.extent.none.fl_str_mv |
25 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 Electrónica |
| dc.publisher.faculty.none.fl_str_mv |
Facultad de Ingeniería |
| dc.publisher.department.none.fl_str_mv |
Departamento de Ingeniería Eléctrica y Electrónica |
| 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/eb0babca-4308-4262-8031-c1c33022cecb/download https://repositorio.uniandes.edu.co/bitstreams/7df2313a-36e9-475c-b809-e4c48b828f3d/download https://repositorio.uniandes.edu.co/bitstreams/14c58ca7-1554-4ce9-9c03-d9ae220fc6b0/download https://repositorio.uniandes.edu.co/bitstreams/3e53ea72-8c7c-49d0-99ad-793efba507a0/download https://repositorio.uniandes.edu.co/bitstreams/cc2f3b02-0c54-414c-9812-0a9709c58526/download https://repositorio.uniandes.edu.co/bitstreams/b069ebc2-8f90-42be-b4df-89069da573e8/download https://repositorio.uniandes.edu.co/bitstreams/efe877d4-9512-47f2-9a99-45212fb4e92a/download https://repositorio.uniandes.edu.co/bitstreams/b2901057-5af4-4181-8914-9fe56e43d29b/download |
| bitstream.checksum.fl_str_mv |
4460e5956bc1d1639be9ae6146a50347 138f5660ba7408585fd84a56e4675be4 f05daaecc2a368bb62e567173e64c318 ae9e573a68e7f92501b6913cc846c39f 2fbb4f6fde73c7940a82f8cd5782d4cd 43fcbcc72f9dfb0b74c0933d54a8e864 88f86ec84441f33b68a58b4f95d2e9e2 917d0dab27b494f796e58b66307faad6 |
| 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_ |
1828159271694499840 |
| spelling |
Lozano Martínez, Fernando Enriquevirtual::22255-1Cuellar Argotty, Juan EstebanOsma Cruz, Johann Faccelo2025-01-20T20:55:23Z2025-01-20T20:55:23Z2025-01-17https://hdl.handle.net/1992/75506instname:Universidad de los Andesreponame:Repositorio Institucional Sénecarepourl:https://repositorio.uniandes.edu.co/Este documento presenta un enfoque integral para optimizar estrategias en Blackjack mediante el uso de Aprendizaje por Refuerzo (RL), resaltando su innovación al incorporar el conteo de cartas a través del True Count en un entorno de simulación realista. La combinación de técnicas avanzadas de RL, como el algoritmo Deep Q-Network (DQN), con métodos de aprendizaje guiado (hard-nudging) permite al agente replicar estrategias básicas y aprender desviaciones estratégicas avanzadas, como la Illustrious 18. Este enfoque no solo valida la aplicabilidad del RL en juegos de azar, sino que también abre nuevas posibilidades para diseñar sistemas de decisión inteligentes adaptativos en contextos dinámicos.Este proyecto describe el desarrollo de un agente de Aprendizaje por Refuerzo (AR) capaz de aprender y optimizar estrategias de Blackjack en un entorno de simulación realista, teniendo en cuenta tanto las reglas estándar como variaciones de casino y el conteo de cartas (True Count). Tras implementar un simulador en Python con clases que modelan al dealer, al jugador, las cartas y el mazo, se diseñó un agente DQN que, gracias al uso de estrategias de guía (hard-nudging), logró replicar la estrategia básica tradicional y, posteriormente, adaptar sus decisiones en función del True Count, aprendiendo desviaciones estratégicas avanzadas similares a la Illustrious 18.Pregrado25 páginasapplication/pdfspaUniversidad de los AndesIngeniería ElectrónicaFacultad de IngenieríaDepartamento de Ingeniería Eléctrica y ElectrónicaAttribution-NonCommercial-NoDerivatives 4.0 Internationalhttp://creativecommons.org/licenses/by-nc-nd/4.0/info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Aprendizaje y optimización de variaciones estratégicas en blackjack mediante aprendizaje por refuerzo en un entorno de simulación realistaTrabajo de grado - Pregradoinfo:eu-repo/semantics/bachelorThesisinfo:eu-repo/semantics/acceptedVersionhttp://purl.org/coar/resource_type/c_7a1fTexthttp://purl.org/redcol/resource_type/TPBlackjackAprendizaje por refuerzoDeep Q-NetworkIllustrious 18Hard-nudgingIngenieríaSutton, Richard S., and Barto, Andrew G. Reinforcement Learning: An Introduction. 2nd ed., MIT Press, 2018.Li, Lihong, and Littman, Michael L. "Reducing Exploration in Reinforcement Learning by Exploiting Generalization." Proceedings of the 26th International Conference on Machine Learning (ICML), 2009, pp. 608-615.Tesauro, Gerald. "Temporal Difference Learning and TD-Gammon." Neural Networks, vol. 10, no. 1, 1995, pp. 105-119.Moravčík, Miha, et al. "DeepStack: Expert-level artificial intelligence in heads-up no-limit poker." Nature, vol. 549, 2017, pp. 484-489.Brown, Noam, and Tuomas Sandholm. "Superhuman AI for heads-up no-limit poker: Libratus beats top professionals." Science, vol. 359, no. 6374, 2018, pp. 418-424.Hessel, Matteo, et al. "Rainbow: Combining Improvements in Deep Reinforcement Learning." Proceedings of the AAAI Conference on Artificial Intelligence, vol. 32, no. 1, 2018, pp. 3215-3222.Thorp, Edward O. "A Favorable Strategy for Twenty-One." Proceedings of the National Academy of Sciences, vol. 47, no. 1, 1961, pp. 110-112.Thorp, Edward O. Beat the Dealer: A Winning Strategy for the Game of Twenty-One. Random House, New York, 1962.202014258Publicationedd81d8c-e0b9-4c1f-bf04-eed0e12e755dvirtual::22255-1edd81d8c-e0b9-4c1f-bf04-eed0e12e755dvirtual::22255-1https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0000025550virtual::22255-1CC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8805https://repositorio.uniandes.edu.co/bitstreams/eb0babca-4308-4262-8031-c1c33022cecb/download4460e5956bc1d1639be9ae6146a50347MD51ORIGINALAprendizaje y optimización de variaciones estratégicas en blackjack mediante aprendizaje por refuerzo en un entorno de simulación realista.pdfAprendizaje y optimización de variaciones estratégicas en blackjack mediante aprendizaje por refuerzo en un entorno de simulación realista.pdfapplication/pdf1457815https://repositorio.uniandes.edu.co/bitstreams/7df2313a-36e9-475c-b809-e4c48b828f3d/download138f5660ba7408585fd84a56e4675be4MD521c930009-7405-44e1-ac9d-1ca8546f01c1 copy.pdf1c930009-7405-44e1-ac9d-1ca8546f01c1 copy.pdfHIDEapplication/pdf250699https://repositorio.uniandes.edu.co/bitstreams/14c58ca7-1554-4ce9-9c03-d9ae220fc6b0/downloadf05daaecc2a368bb62e567173e64c318MD53LICENSElicense.txtlicense.txttext/plain; charset=utf-82535https://repositorio.uniandes.edu.co/bitstreams/3e53ea72-8c7c-49d0-99ad-793efba507a0/downloadae9e573a68e7f92501b6913cc846c39fMD54TEXTAprendizaje y optimización de variaciones estratégicas en blackjack mediante aprendizaje por refuerzo en un entorno de simulación realista.pdf.txtAprendizaje y optimización de variaciones estratégicas en blackjack mediante aprendizaje por refuerzo en un entorno de simulación realista.pdf.txtExtracted texttext/plain62443https://repositorio.uniandes.edu.co/bitstreams/cc2f3b02-0c54-414c-9812-0a9709c58526/download2fbb4f6fde73c7940a82f8cd5782d4cdMD551c930009-7405-44e1-ac9d-1ca8546f01c1 copy.pdf.txt1c930009-7405-44e1-ac9d-1ca8546f01c1 copy.pdf.txtExtracted texttext/plain2135https://repositorio.uniandes.edu.co/bitstreams/b069ebc2-8f90-42be-b4df-89069da573e8/download43fcbcc72f9dfb0b74c0933d54a8e864MD57THUMBNAILAprendizaje y optimización de variaciones estratégicas en blackjack mediante aprendizaje por refuerzo en un entorno de simulación realista.pdf.jpgAprendizaje y optimización de variaciones estratégicas en blackjack mediante aprendizaje por refuerzo en un entorno de simulación realista.pdf.jpgGenerated Thumbnailimage/jpeg6926https://repositorio.uniandes.edu.co/bitstreams/efe877d4-9512-47f2-9a99-45212fb4e92a/download88f86ec84441f33b68a58b4f95d2e9e2MD561c930009-7405-44e1-ac9d-1ca8546f01c1 copy.pdf.jpg1c930009-7405-44e1-ac9d-1ca8546f01c1 copy.pdf.jpgGenerated Thumbnailimage/jpeg10867https://repositorio.uniandes.edu.co/bitstreams/b2901057-5af4-4181-8914-9fe56e43d29b/download917d0dab27b494f796e58b66307faad6MD581992/75506oai:repositorio.uniandes.edu.co:1992/755062025-03-05 10:03:42.72http://creativecommons.org/licenses/by-nc-nd/4.0/Attribution-NonCommercial-NoDerivatives 4.0 Internationalopen.accesshttps://repositorio.uniandes.edu.coRepositorio institucional Sénecaadminrepositorio@uniandes.edu.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 |