Sí, esto ya es posible.
Un juego de Monopoly puede verse como un conjunto de elecciones secuenciales hechas por un grupo de jugadores. Estas opciones tienen un componente probabilístico y determinista, donde, por ejemplo, la estrategia y la tirada de dados de un jugador son aleatorias (probabilísticas) y todos los jugadores deben seguir las reglas del juego (deterministas).
Para tomar esto como un problema de aprendizaje, se puede suponer que el monopolio es una instancia (aún desconocida) de un autómata finito determinista probabilístico (PDFA) [1]. El problema no supervisado aquí es aprender el Monopoly PDFA del conjunto de elecciones secuenciales de jugadores realizadas en uno o más juegos. Una vez aprendido, el PDFA expresa las reglas de un juego exactamente como (o al menos típicamente como) Monopoly.
- ¿Cómo detectaría el modelo de aprendizaje profundo los mismos objetos varias veces en un parche de imagen si existe?
- ¿Qué algoritmo de aprendizaje automático usarías para analizar los datos de los alumnos?
- ¿Cómo detectamos el sobreajuste y la falta de ajuste en Machine Learning?
- ¿Qué es el muestreo de control de casos y por qué necesitamos corregir el término constante en regresión logística (aprendizaje automático)?
- ¿Qué tan buenos son los conjuntos de datos SIG en India (por ejemplo, red de carreteras / calles, parcelas municipales, etc.)? ¿Cuáles son las fuentes para este tipo de conjuntos de datos?
Para obtener más información, consulte Clark y Thollard [2], donde muestran que los PDFA son aptos para PAC y un maravilloso Ph.D. tesis de Balle Pigem [3] que destaca técnicas de aprendizaje PDFA eficientes (incluidas las basadas en streaming).
[1] MO Rabin. Autómatas probabilísticos. Información y control, 6 (3): 230–245, 1963
[2] Página en jmlr.org
[3] Página en upc.edu