Preskoči na sadržaj
Korištenjem servisa na Twitteru pristajete na korištenje kolačića. Twitter i partneri rade globalno te koriste kolačiće za analize, personalizaciju i oglase.

Za najbolje sučelje na Twitteru koristite Microsoft Edge ili instalirajte aplikaciju Twitter iz trgovine Microsoft Store.

  • Naslovnica Naslovnica Naslovnica, trenutna stranica.
  • O Twitteru

Spremljena pretraživanja

  • obriši
  • U ovom razgovoru
    Ovjeren akauntZaštićeni tweetovi @
Predloženi korisnici
  • Ovjeren akauntZaštićeni tweetovi @
  • Ovjeren akauntZaštićeni tweetovi @
  • Jezik: Hrvatski
    • Bahasa Indonesia
    • Bahasa Melayu
    • Català
    • Čeština
    • Dansk
    • Deutsch
    • English
    • English UK
    • Español
    • Filipino
    • Français
    • Italiano
    • Magyar
    • Nederlands
    • Norsk
    • Polski
    • Português
    • Română
    • Slovenčina
    • Suomi
    • Svenska
    • Tiếng Việt
    • Türkçe
    • Български език
    • Русский
    • Српски
    • Українська мова
    • Ελληνικά
    • עִבְרִית
    • العربية
    • فارسی
    • मराठी
    • हिन्दी
    • বাংলা
    • ગુજરાતી
    • தமிழ்
    • ಕನ್ನಡ
    • ภาษาไทย
    • 한국어
    • 日本語
    • 简体中文
    • 繁體中文
  • Imate račun? Prijava
    Imate račun?
    · Zaboravili ste lozinku?

    Novi ste na Twitteru?
    Registrirajte se
Profil korisnika/ce togelius
Julian Togelius
Julian Togelius
Julian Togelius
@togelius

Tweets

Julian Togelius

@togelius

AI and games researcher. Associate professor at NYU; Editor-in-Chief of @IEEETxnOnGames; director of @NYUGameLab; co-founder of http://modl.ai .

New York City
julian.togelius.com
Vrijeme pridruživanja: siječanj 2009.

Tweets

  • © 2020 Twitter
  • O Twitteru
  • Centar za pomoć
  • Uvjeti
  • Pravila o privatnosti
  • Imprint
  • Kolačići
  • Informacije o oglasima
Odbaci
Prethodni
Sljedeće

Idite na profil osobe

Spremljena pretraživanja

  • obriši
  • U ovom razgovoru
    Ovjeren akauntZaštićeni tweetovi @
Predloženi korisnici
  • Ovjeren akauntZaštićeni tweetovi @
  • Ovjeren akauntZaštićeni tweetovi @

Odjava

Blokiraj

  • Objavi Tweet s lokacijom

    U tweetove putem weba ili aplikacija drugih proizvođača možete dodati podatke o lokaciji, kao što su grad ili točna lokacija. Povijest lokacija tweetova uvijek možete izbrisati. Saznajte više

    Vaši popisi

    Izradi novi popis


    Manje od 100 znakova, neobavezno

    Privatnost

    Kopiraj vezu u tweet

    Ugradi ovaj Tweet

    Embed this Video

    Dodajte ovaj Tweet na svoje web-mjesto kopiranjem koda u nastavku. Saznajte više

    Dodajte ovaj videozapis na svoje web-mjesto kopiranjem koda u nastavku. Saznajte više

    Hm, došlo je do problema prilikom povezivanja s poslužiteljem.

    Integracijom Twitterova sadržaja u svoje web-mjesto ili aplikaciju prihvaćate Twitterov Ugovor za programere i Pravila za programere.

    Pregled

    Razlog prikaza oglasa

    Prijavi se na Twitter

    · Zaboravili ste lozinku?
    Nemate račun? Registrirajte se »

    Prijavite se na Twitter

    Niste na Twitteru? Registrirajte se, uključite se u stvari koje vas zanimaju, i dobivajte promjene čim se dogode.

    Registrirajte se
    Imate račun? Prijava »

    Dvosmjerni (slanje i primanje) kratki kodovi:

    Država Kod Samo za korisnike
    Sjedinjene Američke Države 40404 (bilo koje)
    Kanada 21212 (bilo koje)
    Ujedinjeno Kraljevstvo 86444 Vodafone, Orange, 3, O2
    Brazil 40404 Nextel, TIM
    Haiti 40404 Digicel, Voila
    Irska 51210 Vodafone, O2
    Indija 53000 Bharti Airtel, Videocon, Reliance
    Indonezija 89887 AXIS, 3, Telkomsel, Indosat, XL Axiata
    Italija 4880804 Wind
    3424486444 Vodafone
    » Pogledajte SMS kratke šifre za druge zemlje

    Potvrda

     

    Dobro došli kući!

    Vremenska crta mjesto je na kojem ćete provesti najviše vremena i bez odgode dobivati novosti o svemu što vam je važno.

    Tweetovi vam ne valjaju?

    Prijeđite pokazivačem preko slike profila pa kliknite gumb Pratim da biste prestali pratiti neki račun.

    Kažite mnogo uz malo riječi

    Kada vidite Tweet koji volite, dodirnite srce – to osobi koja ga je napisala daje do znanja da vam se sviđa.

    Proširite glas

    Najbolji je način da podijelite nečiji Tweet s osobama koje vas prate prosljeđivanje. Dodirnite ikonu da biste smjesta poslali.

    Pridruži se razgovoru

    Pomoću odgovora dodajte sve što mislite o nekom tweetu. Pronađite temu koja vam je važna i uključite se.

    Saznajte najnovije vijesti

    Bez odgode pogledajte o čemu ljudi razgovaraju.

    Pratite više onoga što vam se sviđa

    Pratite više računa da biste dobivali novosti o temama do kojih vam je stalo.

    Saznajte što se događa

    Bez odgode pogledajte najnovije razgovore o bilo kojoj temi.

    Ne propustite nijedan aktualni događaj

    Bez odgode pratite kako se razvijaju događaji koje pratite.

    Julian Togelius‏ @togelius 29. lip 2018.
    • Prijavi Tweet

    Deep reinforcement learning overfits. Often, a trained network can only play the particular level(s) you trained it on! In our new paper, we show how to train more general networks with procedural level generation, generating progressively harder levels. https://arxiv.org/abs/1806.10729 pic.twitter.com/JDNYPZuAHV

    08:57 - 29. lip 2018.
    • 204 proslijeđena tweeta
    • 666 oznaka „sviđa mi se”
    • Simen Haugo Parag Rane Ruben Torrado Marianne Monteiro Stefan Bachhofner SOURAJIT SAHA Kris Power Jeremy Herrman Hugo Berard
    9 replies 204 proslijeđena tweeta 666 korisnika označava da im se sviđa
      1. Novi razgovor
      2. Julian Togelius‏ @togelius 29. lip 2018.
        • Prijavi Tweet

        The paper, written by @nojustesen @ruben_torrado @FilipoGiovanni @Amidos2006, me and @risi1979, builds on the General Video Game AI framework, which includes more than a hundred different games and lets you easily modify games and levels (and generate new ones).

        1 reply 2 proslijeđena tweeta 14 korisnika označava da im se sviđa
        Prikaži ovu nit
      3. Julian Togelius‏ @togelius 29. lip 2018.
        • Prijavi Tweet

        We also build on ours and others' research on procedural content generation for games, a research field studying algorithms that can create new game content such as levels. Useful not only for game development but also for AI testing. More on PCG: http://pcgbook.com/ 

        1 reply 1 proslijeđeni tweet 7 korisnika označava da im se sviđa
        Prikaži ovu nit
      4. Julian Togelius‏ @togelius 29. lip 2018.
        • Prijavi Tweet

        The level generators we use in our paper allow for generating levels for three different games, with different difficulty levels. So we start training agents on very simple levels, and as soon as they learn to play these levels well we increase the difficulty level.pic.twitter.com/y6J7VEIDid

        1 reply 4 proslijeđena tweeta 13 korisnika označava da im se sviđa
        Prikaži ovu nit
      5. Julian Togelius‏ @togelius 29. lip 2018.
        • Prijavi Tweet

        By training this way, we not only find agents that generalize better to unseen levels, but we can also learn to play hard levels which we could not learn to play if we started from scratch.pic.twitter.com/ZwQmsUcLsg

        1 reply 2 proslijeđena tweeta 10 korisnika označava da im se sviđa
        Prikaži ovu nit
      6. Julian Togelius‏ @togelius 29. lip 2018.
        • Prijavi Tweet

        We are taking the old idea of increasing the difficulty as the agent improves, which has variously been called incremental evolution, staged learning and curriculum learning, and combining it with procedural content generation.

        1 reply 2 proslijeđena tweeta 13 korisnika označava da im se sviđa
        Prikaži ovu nit
      7. Julian Togelius‏ @togelius 29. lip 2018.
        • Prijavi Tweet

        Our results point to the need for variable environments for reinforcement learning. Using procedural content generation when learning to play games seems to be more or less necessary to achieve policies that are not brittle and specialized.

        1 reply 2 proslijeđena tweeta 6 korisnika označava da im se sviđa
        Prikaži ovu nit
      8. Julian Togelius‏ @togelius 29. lip 2018.
        • Prijavi Tweet

        When training on a single game with fixed, small set of levels, you are setting yourself up for overfitting. If your performance evaluation is based on the same set of levels, you are testing on the training set, which is considered a big no-no in machine learning (but not RL?).

        1 reply 2 proslijeđena tweeta 2 korisnika označavaju da im se sviđa
        Prikaži ovu nit
      9. Julian Togelius‏ @togelius 29. lip 2018.
        • Prijavi Tweet

        In particular, this applies to the very popular practice of training agents to play Atari games in the ALE framework. Our results suggest that doing so encourages overfitting, and learning very brittle strategies.

        1 proslijeđeni tweet 5 korisnika označava da im se sviđa
        Prikaži ovu nit
      10. Julian Togelius‏ @togelius 29. lip 2018.
        • Prijavi Tweet

        In other words, reinforcement learning researchers - including but not limited to those working on games - should adopt procedural level generation as a standard practice. The @gvgai framework provides a perfect platform for this.

        3 proslijeđena tweeta 12 korisnika označava da im se sviđa
        Prikaži ovu nit
      11. Julian Togelius‏ @togelius 29. lip 2018.
        • Prijavi Tweet

        Our previous paper explaining the GVGAI learning track framework which we use for this research can be found here: https://arxiv.org/abs/1806.02448 

        1 reply 2 proslijeđena tweeta 5 korisnika označava da im se sviđa
        Prikaži ovu nit
      12. Kraj razgovora

    Čini se da učitavanje traje već neko vrijeme.

    Twitter je možda preopterećen ili ima kratkotrajnih poteškoća u radu. Pokušajte ponovno ili potražite dodatne informacije u odjeljku Status Twittera.

      Sponzorirani tweet

      false

      • © 2020 Twitter
      • O Twitteru
      • Centar za pomoć
      • Uvjeti
      • Pravila o privatnosti
      • Imprint
      • Kolačići
      • Informacije o oglasima