Análise Comparativa de Técnicas de Inteligência Computacional na Classificação de Jogadores de Xadrez
Resumo
Neste trabalho são aplicadas redes neurais Perceptron de Múltiplas Camadas (MLP), Rede de Base Radial (RBF) e Rede Learning Vector Quantization (LVQ) para resolver o problema de classificação de jogadores de xadrez em níveis (básico, intermediário e avançado). Foram usados como parâmetros de entrada das redes neurais as seguintes métricas de desempenho da partida de xadrez: perdas médias em centésimo de peões, imprecisões, erros e erros graves. Para cada técnica usada, utilizou-se quatro topologias de rede, onde fez-se variar a quantidade de neurônios da camada oculta. As métricas de desempenho usadas foram a acuidade média, acuidade máxima, acuidade mínima, acuidade mediana, desvio padrão das acuidades e o Erro Médio Quadrático (MSE). Os resultados encontrados mostraram que a MLP obteve as melhores métricas de desempenho na solução do problema de classificação de jogadores de xadrez.
Referências
Bonifácio, F. N. Comparação entre as Redes Neurais Artificiais MLP, RBF e LVQ na Classificação de Dados. Paraná: Universidade Estadual do Oeste do Paraná, 2010.
Chollet, F. Deep Learning mit Python und Keras: Das Praxis-Handbuch vom Entwickler der Keras-Bibliothek. MITP-Verlags GmbH & Co. KG, 2018.D'Agostini, Orfeu Gilberto. Xadrez básico. Ediouro Publicações, 2002.
D'Agostini, Orfeu Gilberto. Xadrez básico. Ediouro Publicações, 2002.
Dauvergne, P. The case for chess as a tool to develop our children’s mind. University of Sidney. Disponível em: < http://www.auschess.org.aurticles/chessmind.htm.> Acesso em: 20 de março de 2019.
Erilli, N. A. et al. (2010) Classifying Chess Players with Fuzzy Clustering Analysis in Fuzzy Data Using Eco Codes. In: 1st International Symposium on Computing in Science & Engineering Proceedings Book. p. 1105-1110.
Fernandes, M. A. C. Aplicação das Redes RBF na Deteção Inteligente de Sinais Digitais. Proceeding of the IV Brazilian Conference on Neural Networks. Pp 226-230. São José dos Campos. São Paulo. Brazil.
HU, Yu Hen; HWANG, Jenq-Neng. Introduction to neural networks for signal processing. Handbook of neural network signal processing, p. 12-41, 2002.
Jeremic, V. M.; Radojicic, Z. (2010) A new approach in the evaluation of team chess championships rankings. Journal of Quantitative Analysis in Sports, v. 6, n. 3.
Kohonen, T. K. (1997) Self-Organizing Maps. Springer-Verlag, Berlin, Heidelberg, 2nd extended edition.
Kugler, M., Júnior, J.T., Lopes, H. S. (2003) Desenvolvimento de uma Rede Neural LVQ em Linguagem VHDL para Aplicações em Tempo-Real. Proceedings of the VI Brazilian Conference on Neural Networks - VI Congresso Brasileiro de Redes Neurais pp. 103–108, June 2–5, 2003 – Centro Universitário da FEI, São Paulo - SP – Brazil.
Reingold, E. M. et al. (2001) Visual span in expert chess players: Evidence from eye movements. Psychological Science, v. 12, n. 1, p. 48-55.
Santos, A. B., Castanho, M. J. P., Hernandes, F., Ré, A. M. (2010) Rede Neural LVQ em Câncer de Próstata. Anais do XXXIII Congresso Nacional de Matemática Aplicada e Computacional.
Silva, IN da; SPATTI, Danilo H.; Flauzino, R. A. Redes neurais artificiais para engenharia e ciências aplicadas. São Paulo: Artliber, v. 23, n. 5, p. 33-111, 2010.
Silva, W. (2010) Raciocínio logico e o jogo de xadrez = em busca de relações. 2 v. Tese (doutorado) - Universidade Estadual de Campinas, Faculdade de Educação, Campinas, SP. Disponível em:
Poggio, T., Girosi, T. (1990) Networks for approximation and learning. Proceedings of the IEEE, 78:1481–1497.
