SlideShare una empresa de Scribd logo
1 de 12
Descargar para leer sin conexión
IA en el Póker Online
            Presentación Media




                                   Raúl Martínez Fernández
                                   Antonio Díaz Ponce
                                   Javier García-Cuerva Velasco
La Inteligencia Artificial en las Organizaciones 2009-2010
Índice

•   Obtención de datos
•   Estudio de los datos
•   Procesado de los datos
•   Técnicas de selección de atributos (Weka)
•   Clasificadores probados (Weka)


            La Inteligencia Artificial en las Organizaciones 2009-2010
Obtención de los datos
                        Dificultades

• No queríamos pagar por los datos, así que:
  • Petición en Blogs
  • Contactando con los responsables de 3
    webs
  • Foro
     • Críticas: trampas, bots,…
     • Rechazo: la gente paga por esas manos
     • Escepticismo: no lo conseguiríamos
       La Inteligencia Artificial en las Organizaciones 2009-2010
Obtención de los datos
                          Fuente de los datos




                                                                          101
                         BBDD
                                                                      Ficheros xml
Sitios Póker                                  Jugadores
   Online                                   Profesionales

 100.000 manos de Texas Hold’em NL
                La Inteligencia Artificial en las Organizaciones 2009-2010
Estudio de los datos
                       Análisis de los ficheros xml


         Analizamos las manos de los fichero xml
 Sólo se mostraban las manos si llegaban al showdown
 Pensamos en cambiar de objetivo: clústering del tipo de
                          jugadores
Gran dificultad añadida: atributos no triviales (postgreSQL)
      En showdwn suele haber 2 jugadores (o más)
                     Doble de manos
          Finalmente tenemos 10710 manos

             La Inteligencia Artificial en las Organizaciones 2009-2010
Procesado de los datos
                       Extracción de información

• Programa en Java:
   • Leer todos los ficheros
   • Extraer los patrones
   • Extraer los atributos
   • Clases a utilizar




            La Inteligencia Artificial en las Organizaciones 2009-2010
Procesado de los datos
                    Extracción de atributos

•   CiegaPequena       •   PosicionJugador2          •Números Reales
•   CiegaGrande        •   FichasJugador2
•   Hora               •   PosicionJugador1
•   Minuto             •   FichasJugador1
                                                  • Añadir atributo para
•   JugadoresTotales   •   PaloCarta1
                       •   ValorCarta1
                                                  indicar la posición del
•   PosicionJugador6
                       •   PaloCarta2                 jugador al que
•   FichasJugador6
•   PosicionJugador5   •   ValorCarta2             pertenece el patrón?
•   FichasJugador5     •   Suited
•   PosicionJugador4   •   ValorSubida1
                       •   ValorSubida2
•   FichasJugador4
                       •   ValorSubida3
•   PosicionJugador3
                       •   ValorSubida4
•   FichasJugador3
                       •   ValorSubida5
         La Inteligencia Artificial en las Organizaciones 2009-2010
Procesado de los datos
                        Extracción de clases

• Clases a utilizar:
   • 4 clases {0,1,2,3} Valores Continuos (Clasificación)
      • 0: Apuesta de $0 1048 patrones
      • 1: Apuesta entre $0 y $2.5 3866 patrones
      • 2: Apuesta entre $2.5 y $5 4193 patrones
      • 3: Apuesta superior a $5 1596 patrones


                              Patrones.arff
             La Inteligencia Artificial en las Organizaciones 2009-2010
Procesado de los datos
             Valores de los atributos para nuestros datos

Ciega       Ciega                           Nº          Jugador 6ª Stack 6º
Pequeña     Grande   Hora        Minuto     Jugadores   posición Jugador      …
0.5         1.0      0.0         32.0       6.0         6.0        1.0E7      …
0.5         1.0      23.0        1.0        6.0         6.0        1.0E7      …
0.5         1.0      23.0        1.0        6.0         6.0        1.0E7      …


Palo Valor Palo Valor          Subida Subida Subida Subida Subida
Carta Carta Carta Carta Suited nº 1 nº 2 nº 3 nº 4 nº 5 Accion
1.0   13.0    2.0     10.0    0.0    0.0     0.0     0.0     0.0     0.0      1.0
2.0   1.0     4.0     3.0     0.0    0.0     0.0     0.0     0.0     0.0      1.0
2.0   0.0     0.0     0.0     0.0    0.0     1.0     0.0     0.0     0.0      3.0




                La Inteligencia Artificial en las Organizaciones 2009-2010
Técnicas de selección de
                atributos
                                    Weka
  Evaluador de atributos:                       Evaluador de atributos: ChiSquared
      CfsSubsetEval
                                                Método de búsqueda: Ranker
  Método de búsqueda: BestFirst                      •   ValorSubida1
       • ValorCarta1                                 •   ValorSubida2
       • ValorCarta2                                 •   ValorSubida3
                                                     •   ValorCarta2
       • ValorSubida1                                •   ValorCarta1
       • ValorSubida2                                •   ValorSubida4
       • ValorSubida3                                •   ValorSubida5
                                                     •   Suited
       • ValorSubida4
                                                     •   JugadoresTotales
       • ValorSubida5                                •   FichasJugador6
                                                     •   PosicionJugador6
                                                     •   FichasJugador5
•Pocas Pruebas
                                                     •   PosicionJugador5
•Seleccionaremos otros estadísticos                  •   FichasJugador4
                                                     •   PosicionJugador4

              La Inteligencia Artificial en las Organizaciones 2009-2010
Clasificadores probados
                                Weka

70% de Train y 30% de Test

Multilayer                                      Porcentaje de       Error
Perceptron    Capas Ocultas Porcentaje Aciertos Fallos              cuadrático
              1               43.6975 %            56.3025 %        98.2544 %
              2               45.4093 %            54.5907 %        97.7409 %
              3               46.0317 %            53.9683 %        96.7809 %

 J48                          47.8369 %            52.1631 %        110.109 %


                  •Pocas Pruebas
                  •Batería de Pruebas (Experimenter)
                  •Validación Cruzada
                  •Selección de Atributos
                  •Nuevos Atributos
             La Inteligencia Artificial en las Organizaciones 2009-2010
PREGUNTAS?




La Inteligencia Artificial en las Organizaciones 2009-2010

Más contenido relacionado

Destacado (9)

4 pasos para generar un planograma
4 pasos para generar un planograma4 pasos para generar un planograma
4 pasos para generar un planograma
 
Manual de entrenamiento para tiendas
Manual de entrenamiento para tiendasManual de entrenamiento para tiendas
Manual de entrenamiento para tiendas
 
2. normas de exhibición
2. normas de exhibición2. normas de exhibición
2. normas de exhibición
 
Unidad ii cadena de suministro
Unidad ii cadena de suministroUnidad ii cadena de suministro
Unidad ii cadena de suministro
 
Planograma
PlanogramaPlanograma
Planograma
 
Exhibicion de productos
Exhibicion de productosExhibicion de productos
Exhibicion de productos
 
P.o.p
P.o.pP.o.p
P.o.p
 
Plan De Ventas
Plan De VentasPlan De Ventas
Plan De Ventas
 
Cómo descargar presentaciones desde SlideShare
Cómo descargar presentaciones desde SlideShareCómo descargar presentaciones desde SlideShare
Cómo descargar presentaciones desde SlideShare
 

Similar a Presentacion intermedia

Survival of the fittest: usando el paquete inspyred para entrenar IAs que jue...
Survival of the fittest: usando el paquete inspyred para entrenar IAs que jue...Survival of the fittest: usando el paquete inspyred para entrenar IAs que jue...
Survival of the fittest: usando el paquete inspyred para entrenar IAs que jue...Pablo García Sánchez
 
Analítica web para consultores ux
Analítica web para consultores uxAnalítica web para consultores ux
Analítica web para consultores uxJordi Galobart
 
Azure insight + Streaming Analytics + Power BI
Azure insight + Streaming Analytics + Power BIAzure insight + Streaming Analytics + Power BI
Azure insight + Streaming Analytics + Power BI[T]echdencias
 
Ejemplos de investigación en videojuegos
Ejemplos de investigación en videojuegosEjemplos de investigación en videojuegos
Ejemplos de investigación en videojuegosPablo García Sánchez
 
Construyendo tu propia bola de cristal predicción de precios con machine lea...
Construyendo tu propia bola de cristal  predicción de precios con machine lea...Construyendo tu propia bola de cristal  predicción de precios con machine lea...
Construyendo tu propia bola de cristal predicción de precios con machine lea...Rafael Bermúdez Míguez
 
Introduccion a Azure Machine Learning.pptx
Introduccion a Azure Machine Learning.pptxIntroduccion a Azure Machine Learning.pptx
Introduccion a Azure Machine Learning.pptxLuis775803
 
Charla Evento TestingUY 2018 - IOT: Conclusiones de mi experiencia
Charla Evento TestingUY 2018 - IOT: Conclusiones de mi experienciaCharla Evento TestingUY 2018 - IOT: Conclusiones de mi experiencia
Charla Evento TestingUY 2018 - IOT: Conclusiones de mi experienciaTestingUy
 
Curse of dimensionality by MC Ivan Alejando Garcia
Curse of dimensionality by MC Ivan Alejando GarciaCurse of dimensionality by MC Ivan Alejando Garcia
Curse of dimensionality by MC Ivan Alejando GarciaDataLab Community
 
STIC XV CCN-CERT - Cibervigilancia con warrior (Ivan Portillo y Wiktor Nykiel)
STIC XV CCN-CERT - Cibervigilancia con warrior (Ivan Portillo y Wiktor Nykiel)STIC XV CCN-CERT - Cibervigilancia con warrior (Ivan Portillo y Wiktor Nykiel)
STIC XV CCN-CERT - Cibervigilancia con warrior (Ivan Portillo y Wiktor Nykiel)Iván Portillo
 
Mi primer modelo de clasificación con Azure Machine Learning Studio
Mi primer modelo de clasificación con Azure Machine Learning StudioMi primer modelo de clasificación con Azure Machine Learning Studio
Mi primer modelo de clasificación con Azure Machine Learning StudioJOSE AHIAS LOPEZ PORTILLO
 
Machine Learning ¿A TODO GAS? con GraalVM
Machine Learning ¿A TODO GAS? con GraalVMMachine Learning ¿A TODO GAS? con GraalVM
Machine Learning ¿A TODO GAS? con GraalVMFrancisco Javier Barrena
 
Machine Learning & Bots
Machine Learning & BotsMachine Learning & Bots
Machine Learning & Bots[T]echdencias
 
Optimizacion en videojuegos: retos para la comunidad científica
Optimizacion en videojuegos: retos para la comunidad científicaOptimizacion en videojuegos: retos para la comunidad científica
Optimizacion en videojuegos: retos para la comunidad científicakeldon_spain
 
Curso modelamiento base de datos
Curso modelamiento base de datosCurso modelamiento base de datos
Curso modelamiento base de datosAmigo Fiel
 
Conferencia pxp marketing en negocios turisticos
Conferencia pxp marketing en negocios turisticosConferencia pxp marketing en negocios turisticos
Conferencia pxp marketing en negocios turisticosEdwin Arley Bernal Holguin
 
José Miguel Esparza y Mikel Gastesi - Social Engineering in Banking Trojans: ...
José Miguel Esparza y Mikel Gastesi - Social Engineering in Banking Trojans: ...José Miguel Esparza y Mikel Gastesi - Social Engineering in Banking Trojans: ...
José Miguel Esparza y Mikel Gastesi - Social Engineering in Banking Trojans: ...RootedCON
 
WEBINAR GRATUITO - DISC PARA LOS RECURSOS HUMANOS
WEBINAR GRATUITO - DISC PARA LOS RECURSOS HUMANOSWEBINAR GRATUITO - DISC PARA LOS RECURSOS HUMANOS
WEBINAR GRATUITO - DISC PARA LOS RECURSOS HUMANOSDISC for All
 

Similar a Presentacion intermedia (20)

Survival of the fittest: usando el paquete inspyred para entrenar IAs que jue...
Survival of the fittest: usando el paquete inspyred para entrenar IAs que jue...Survival of the fittest: usando el paquete inspyred para entrenar IAs que jue...
Survival of the fittest: usando el paquete inspyred para entrenar IAs que jue...
 
Machine Learning for Developers (PyConEs2017)
Machine Learning for Developers (PyConEs2017)Machine Learning for Developers (PyConEs2017)
Machine Learning for Developers (PyConEs2017)
 
¿Quién, cuándo, dónde y por qué?
¿Quién, cuándo, dónde y por qué?¿Quién, cuándo, dónde y por qué?
¿Quién, cuándo, dónde y por qué?
 
Analítica web para consultores ux
Analítica web para consultores uxAnalítica web para consultores ux
Analítica web para consultores ux
 
Azure insight + Streaming Analytics + Power BI
Azure insight + Streaming Analytics + Power BIAzure insight + Streaming Analytics + Power BI
Azure insight + Streaming Analytics + Power BI
 
Ejemplos de investigación en videojuegos
Ejemplos de investigación en videojuegosEjemplos de investigación en videojuegos
Ejemplos de investigación en videojuegos
 
Construyendo tu propia bola de cristal predicción de precios con machine lea...
Construyendo tu propia bola de cristal  predicción de precios con machine lea...Construyendo tu propia bola de cristal  predicción de precios con machine lea...
Construyendo tu propia bola de cristal predicción de precios con machine lea...
 
Introduccion a Azure Machine Learning.pptx
Introduccion a Azure Machine Learning.pptxIntroduccion a Azure Machine Learning.pptx
Introduccion a Azure Machine Learning.pptx
 
Charla Evento TestingUY 2018 - IOT: Conclusiones de mi experiencia
Charla Evento TestingUY 2018 - IOT: Conclusiones de mi experienciaCharla Evento TestingUY 2018 - IOT: Conclusiones de mi experiencia
Charla Evento TestingUY 2018 - IOT: Conclusiones de mi experiencia
 
Curse of dimensionality by MC Ivan Alejando Garcia
Curse of dimensionality by MC Ivan Alejando GarciaCurse of dimensionality by MC Ivan Alejando Garcia
Curse of dimensionality by MC Ivan Alejando Garcia
 
STIC XV CCN-CERT - Cibervigilancia con warrior (Ivan Portillo y Wiktor Nykiel)
STIC XV CCN-CERT - Cibervigilancia con warrior (Ivan Portillo y Wiktor Nykiel)STIC XV CCN-CERT - Cibervigilancia con warrior (Ivan Portillo y Wiktor Nykiel)
STIC XV CCN-CERT - Cibervigilancia con warrior (Ivan Portillo y Wiktor Nykiel)
 
Mi primer modelo de clasificación con Azure Machine Learning Studio
Mi primer modelo de clasificación con Azure Machine Learning StudioMi primer modelo de clasificación con Azure Machine Learning Studio
Mi primer modelo de clasificación con Azure Machine Learning Studio
 
Machine Learning ¿A TODO GAS? con GraalVM
Machine Learning ¿A TODO GAS? con GraalVMMachine Learning ¿A TODO GAS? con GraalVM
Machine Learning ¿A TODO GAS? con GraalVM
 
Búsqueda IA
Búsqueda IABúsqueda IA
Búsqueda IA
 
Machine Learning & Bots
Machine Learning & BotsMachine Learning & Bots
Machine Learning & Bots
 
Optimizacion en videojuegos: retos para la comunidad científica
Optimizacion en videojuegos: retos para la comunidad científicaOptimizacion en videojuegos: retos para la comunidad científica
Optimizacion en videojuegos: retos para la comunidad científica
 
Curso modelamiento base de datos
Curso modelamiento base de datosCurso modelamiento base de datos
Curso modelamiento base de datos
 
Conferencia pxp marketing en negocios turisticos
Conferencia pxp marketing en negocios turisticosConferencia pxp marketing en negocios turisticos
Conferencia pxp marketing en negocios turisticos
 
José Miguel Esparza y Mikel Gastesi - Social Engineering in Banking Trojans: ...
José Miguel Esparza y Mikel Gastesi - Social Engineering in Banking Trojans: ...José Miguel Esparza y Mikel Gastesi - Social Engineering in Banking Trojans: ...
José Miguel Esparza y Mikel Gastesi - Social Engineering in Banking Trojans: ...
 
WEBINAR GRATUITO - DISC PARA LOS RECURSOS HUMANOS
WEBINAR GRATUITO - DISC PARA LOS RECURSOS HUMANOSWEBINAR GRATUITO - DISC PARA LOS RECURSOS HUMANOS
WEBINAR GRATUITO - DISC PARA LOS RECURSOS HUMANOS
 

Más de sinchan607

Memoria inicial
Memoria inicialMemoria inicial
Memoria inicialsinchan607
 
Memoria intermedia
Memoria intermediaMemoria intermedia
Memoria intermediasinchan607
 
Practica Iao 1 (PresentacióN Inicial)
Practica Iao 1 (PresentacióN Inicial)Practica Iao 1 (PresentacióN Inicial)
Practica Iao 1 (PresentacióN Inicial)sinchan607
 

Más de sinchan607 (6)

Memoria inicial
Memoria inicialMemoria inicial
Memoria inicial
 
Memoria final
Memoria finalMemoria final
Memoria final
 
Memoria intermedia
Memoria intermediaMemoria intermedia
Memoria intermedia
 
Ruleta
RuletaRuleta
Ruleta
 
Thesis
ThesisThesis
Thesis
 
Practica Iao 1 (PresentacióN Inicial)
Practica Iao 1 (PresentacióN Inicial)Practica Iao 1 (PresentacióN Inicial)
Practica Iao 1 (PresentacióN Inicial)
 

Presentacion intermedia

  • 1. IA en el Póker Online Presentación Media Raúl Martínez Fernández Antonio Díaz Ponce Javier García-Cuerva Velasco La Inteligencia Artificial en las Organizaciones 2009-2010
  • 2. Índice • Obtención de datos • Estudio de los datos • Procesado de los datos • Técnicas de selección de atributos (Weka) • Clasificadores probados (Weka) La Inteligencia Artificial en las Organizaciones 2009-2010
  • 3. Obtención de los datos Dificultades • No queríamos pagar por los datos, así que: • Petición en Blogs • Contactando con los responsables de 3 webs • Foro • Críticas: trampas, bots,… • Rechazo: la gente paga por esas manos • Escepticismo: no lo conseguiríamos La Inteligencia Artificial en las Organizaciones 2009-2010
  • 4. Obtención de los datos Fuente de los datos 101 BBDD Ficheros xml Sitios Póker Jugadores Online Profesionales 100.000 manos de Texas Hold’em NL La Inteligencia Artificial en las Organizaciones 2009-2010
  • 5. Estudio de los datos Análisis de los ficheros xml Analizamos las manos de los fichero xml Sólo se mostraban las manos si llegaban al showdown Pensamos en cambiar de objetivo: clústering del tipo de jugadores Gran dificultad añadida: atributos no triviales (postgreSQL) En showdwn suele haber 2 jugadores (o más) Doble de manos Finalmente tenemos 10710 manos La Inteligencia Artificial en las Organizaciones 2009-2010
  • 6. Procesado de los datos Extracción de información • Programa en Java: • Leer todos los ficheros • Extraer los patrones • Extraer los atributos • Clases a utilizar La Inteligencia Artificial en las Organizaciones 2009-2010
  • 7. Procesado de los datos Extracción de atributos • CiegaPequena • PosicionJugador2 •Números Reales • CiegaGrande • FichasJugador2 • Hora • PosicionJugador1 • Minuto • FichasJugador1 • Añadir atributo para • JugadoresTotales • PaloCarta1 • ValorCarta1 indicar la posición del • PosicionJugador6 • PaloCarta2 jugador al que • FichasJugador6 • PosicionJugador5 • ValorCarta2 pertenece el patrón? • FichasJugador5 • Suited • PosicionJugador4 • ValorSubida1 • ValorSubida2 • FichasJugador4 • ValorSubida3 • PosicionJugador3 • ValorSubida4 • FichasJugador3 • ValorSubida5 La Inteligencia Artificial en las Organizaciones 2009-2010
  • 8. Procesado de los datos Extracción de clases • Clases a utilizar: • 4 clases {0,1,2,3} Valores Continuos (Clasificación) • 0: Apuesta de $0 1048 patrones • 1: Apuesta entre $0 y $2.5 3866 patrones • 2: Apuesta entre $2.5 y $5 4193 patrones • 3: Apuesta superior a $5 1596 patrones Patrones.arff La Inteligencia Artificial en las Organizaciones 2009-2010
  • 9. Procesado de los datos Valores de los atributos para nuestros datos Ciega Ciega Nº Jugador 6ª Stack 6º Pequeña Grande Hora Minuto Jugadores posición Jugador … 0.5 1.0 0.0 32.0 6.0 6.0 1.0E7 … 0.5 1.0 23.0 1.0 6.0 6.0 1.0E7 … 0.5 1.0 23.0 1.0 6.0 6.0 1.0E7 … Palo Valor Palo Valor Subida Subida Subida Subida Subida Carta Carta Carta Carta Suited nº 1 nº 2 nº 3 nº 4 nº 5 Accion 1.0 13.0 2.0 10.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 2.0 1.0 4.0 3.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 2.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 0.0 3.0 La Inteligencia Artificial en las Organizaciones 2009-2010
  • 10. Técnicas de selección de atributos Weka Evaluador de atributos: Evaluador de atributos: ChiSquared CfsSubsetEval Método de búsqueda: Ranker Método de búsqueda: BestFirst • ValorSubida1 • ValorCarta1 • ValorSubida2 • ValorCarta2 • ValorSubida3 • ValorCarta2 • ValorSubida1 • ValorCarta1 • ValorSubida2 • ValorSubida4 • ValorSubida3 • ValorSubida5 • Suited • ValorSubida4 • JugadoresTotales • ValorSubida5 • FichasJugador6 • PosicionJugador6 • FichasJugador5 •Pocas Pruebas • PosicionJugador5 •Seleccionaremos otros estadísticos • FichasJugador4 • PosicionJugador4 La Inteligencia Artificial en las Organizaciones 2009-2010
  • 11. Clasificadores probados Weka 70% de Train y 30% de Test Multilayer Porcentaje de Error Perceptron Capas Ocultas Porcentaje Aciertos Fallos cuadrático 1 43.6975 % 56.3025 % 98.2544 % 2 45.4093 % 54.5907 % 97.7409 % 3 46.0317 % 53.9683 % 96.7809 % J48 47.8369 % 52.1631 % 110.109 % •Pocas Pruebas •Batería de Pruebas (Experimenter) •Validación Cruzada •Selección de Atributos •Nuevos Atributos La Inteligencia Artificial en las Organizaciones 2009-2010
  • 12. PREGUNTAS? La Inteligencia Artificial en las Organizaciones 2009-2010