A feladat célja egy megerősítéses tanulás alapú ágens implementálása és tanítása valamilyen egyszerű, egy vagy kétszemélyes számítógépes játékra.

 

A megerősítéses tanulás a gépi tanulás egy olyan formája, ahol egy adott környezetben optimális cselekvések végzését tanulja a tanuló ágens. A környezet állapotát részben vagy teljesen képes megfigyelni, mely az ágens cselekvéseinek hatására megváltozik. Az ágens a cselekvéseit követően egy jutalom jelet is megfigyel a környezetből. Az ágens célja ennek az összjutalomnak a hosszútávú maximalizálása.

 

A teljesség igénye nélkül néhány lehetséges játék: passziánsz, tetris, amőba, léghoki.

 

A feladatot alapvetően Matlab, Python vagy Java programozási nyelven kell megoldani. A feladat megoldásához jó programozási készség és lineáris algebra ismeretek szükségesek.