Prototipo Animat de interacción simple con el ambiente I: un experimento de aprendizaje maquinal
Autonomous artificial agents should have learning features that allow them to behave successfully in the presence of unexpected events which they are not programmed for. The more experience the agent have with its world, the more useful information it can acquire for enhance its behavior in front of...
| Autor Principal: | |
|---|---|
| Formato: | Artículo (Article) |
| Lenguaje: | Español (Spanish) |
| Publicado: |
Universidad Distrital Francisco José de Caldas
2001
|
| Materias: | |
| Acceso en línea: | http://hdl.handle.net/11349/19699 |
| id |
ir-11349-19699 |
|---|---|
| recordtype |
dspace |
| spelling |
ir-11349-196992019-09-19T21:38:31Z Prototipo Animat de interacción simple con el ambiente I: un experimento de aprendizaje maquinal Rojas Galeano, Sergio Andrés reinforcement learning Q-learning autonomous agents animats. aprendizaje por refuerzo aprendizaje Q agentes autónomos animats. Autonomous artificial agents should have learning features that allow them to behave successfully in the presence of unexpected events which they are not programmed for. The more experience the agent have with its world, the more useful information it can acquire for enhance its behavior in front of similar situations. A recent and interesting technique is reinforcement learning which is based in the agent seeking for rewards and avoiding for punishments like a trial-and-error approach. This paper describes the PAISA I an autonomous agent that can learn an adequate action-selection policy for maximize the amount of food it can find in a unpredictable world, in spite of a small state-action space. Los agentes artificiales autónomos deben demostrar características de aprendizaje que les permita comportarse exitosamente ante eventos inesperados para los cuales no hayan sido programados. A medida que el agente experimente con su mundo, debe descubrir información útil, representarla y adquirirla para posteriormente utilizarla de tal forma que maximice su medida de éxito cuando se enfrente a situaciones similares. Una de las técnicas más interesantes que se ha trabajado recientemente es el aprendizaje por refuerzo, el cual se basa en la búsqueda de señales de premio y la evasión de señales de castigo mediante un proceso de ensayo y error. En este artículo se describe el agente autónomo PAISA I, un animal artificial (animat) que aprende una política adecuada de selección de acciones para maximizar la cantidad de comida que puede encontrar en un mundo impredecible, aunque con un espacio estado-acción pequeño. 2001-11-30 2019-09-19T21:38:31Z 2019-09-19T21:38:31Z info:eu-repo/semantics/article info:eu-repo/semantics/publishedVersion https://revistas.udistrital.edu.co/index.php/reving/article/view/2819 10.14483/23448393.2819 http://hdl.handle.net/11349/19699 spa https://revistas.udistrital.edu.co/index.php/reving/article/view/2819/4096 https://revistas.udistrital.edu.co/index.php/reving/article/view/2819/4097 application/pdf text/html Universidad Distrital Francisco José de Caldas Ingeniería; Vol 7 No 2 (2002): July - December; 60-63 Ingeniería; Vol. 7 Núm. 2 (2002): Julio - Diciembre; 60-63 2344-8393 0121-750X |
| institution |
Universidad Distrital Francisco José de Caldas |
| collection |
DSpace |
| language |
Español (Spanish) |
| topic |
reinforcement learning Q-learning autonomous agents animats. aprendizaje por refuerzo aprendizaje Q agentes autónomos animats. |
| spellingShingle |
reinforcement learning Q-learning autonomous agents animats. aprendizaje por refuerzo aprendizaje Q agentes autónomos animats. Rojas Galeano, Sergio Andrés Prototipo Animat de interacción simple con el ambiente I: un experimento de aprendizaje maquinal |
| description |
Autonomous artificial agents should have learning features that allow them to behave successfully in the presence of unexpected events which they are not programmed for. The more experience the agent have with its world, the more useful information it can acquire for enhance its behavior in front of similar situations. A recent and interesting technique is reinforcement learning which is based in the agent seeking for rewards and avoiding for punishments like a trial-and-error approach. This paper describes the PAISA I an autonomous agent that can learn an adequate action-selection policy for maximize the amount of food it can find in a unpredictable world, in spite of a small state-action space. |
| format |
Artículo (Article) |
| author |
Rojas Galeano, Sergio Andrés |
| author_facet |
Rojas Galeano, Sergio Andrés |
| author_sort |
Rojas Galeano, Sergio Andrés |
| title |
Prototipo Animat de interacción simple con el ambiente I: un experimento de aprendizaje maquinal |
| title_short |
Prototipo Animat de interacción simple con el ambiente I: un experimento de aprendizaje maquinal |
| title_full |
Prototipo Animat de interacción simple con el ambiente I: un experimento de aprendizaje maquinal |
| title_fullStr |
Prototipo Animat de interacción simple con el ambiente I: un experimento de aprendizaje maquinal |
| title_full_unstemmed |
Prototipo Animat de interacción simple con el ambiente I: un experimento de aprendizaje maquinal |
| title_sort |
prototipo animat de interacción simple con el ambiente i: un experimento de aprendizaje maquinal |
| publisher |
Universidad Distrital Francisco José de Caldas |
| publishDate |
2001 |
| url |
http://hdl.handle.net/11349/19699 |
| _version_ |
1712443919967453184 |
| score |
12,111491 |