在这款棋盘游戏中，什么样的机器学习可以被用来做出更好的人工智能决策？

Question

我正在和一位朋友合作，作为一个挑战，创建一个机器人，可以在一款名为Duelyst的基于浏览器的卡片/棋盘游戏中击败最好的人类玩家。看起来是这样的：

我最初的计划是从底层构建非常基础的机器学习，但他建议我们研究基于这份清单 of JavaScript的机器学习库中的选项。

问题是，我们都不太了解机器学习，也不知道我们应该研究哪种类型(很明显，有很多不同的类别/类型)。

在通用JS机器学习库列表中的项目有：

• 深度学习
• 聚类
• 聚类分层聚类
• 基于ID3算法的决策树
• 数字神经网络体系结构
• K-均值，模糊c-均值
• 快速人工神经网络库
• LDA主题建模
• Logistic回归/c4.5决策树
• 支持向量机
• 简单多元线性回归
• 卡尔曼滤波
• 马尔可夫决策过程

显然，我的首要任务是开始浏览这些不同的项目，并在维基百科上查找大量的术语--但我很快意识到这是一个非常广泛和多样的主题，我最好让专家指出正确的总体方向。游戏中的决策基本上包括使用你目前能获得的少数几张牌中的一张(并预测你在你的牌牌中可能在不久的将来获得的牌)，并在正确的时间使用这些牌，将牌所召唤的奴才在场上移动，以保护你的将军，击败敌人的将军。

我们已经开发了一个相当好的人工智能来玩这个游戏，我现在想利用机器学习来预测对手的移动，改进机器人的决策，以便在游戏中取得更好的经验。

机器学习的哪些类别/类别与改进基于转弯的卡片/棋盘游戏(如所描述的游戏)的人工智能的决策有关？

Answer 1

简单地说，强化学习的研究就是：

强化学习是一个受行为主义心理学启发的机器学习领域，它关注的是软件agents应该如何在环境中采取行动，以最大限度地获得某种累积报酬的概念。

RL示例经常涉及游戏；这些模型通常将玩家的对手正式化为环境的一部分。(其他人研究所有参与者，并涉及到博弈论。)通常，“奖赏”与输赢有关。

这是一个非常广泛、深入的领域，涉及到许多其他领域的概念。最近的进展包括深度学习的应用。

Answer 2

机器学习是一门涉及面广、难度大的学科。如果你想以一种很好的方式使用机器学习，我建议阅读以下内容：

• 游戏树(https://en.wikipedia.org/wiki/Game_树)
• 最小最大算法(https://en.wikipedia.org/wiki/Minimax)
• α-β修剪(https://en.wikipedia.org/wiki/Alpha%E2%80%93beta_修剪)

而且，由于您不能总是以纯粹的方式使用游戏树(在宇宙中没有足够的资源)，也不能总是使用启发式(https://en.wikipedia.org/wiki/Heuristic_%28计算机_科学/29)。

考虑到链接，维基百科是一个起点，而不是学习的地方。因此，一些书(我从“学习lisp的土地-学会用lisp编程，一次一个游戏”)是必须的。