Spielbaum-KI mit Lern-Heuristik für ein Brettspiel-Studio
Übersicht
Worum es bei diesem Projekt geht.
Du erhältst eine Implementierung der Spielmechanik plus 5.000 archivierte Spielpartien aus Beta-Tests mit menschlichen Spielern. Implementiere eine Minimax-Engine mit Alpha-Beta-Pruning bis Suchtiefe 4. Trainiere parallel ein einfaches lineares Modell als Bewertungsfunktion auf den Spielpartien (z. B. logistische Regression auf 20 handgefertigten Features). Vergleiche drei Spielstärke-Konfigurationen: a) reine Heuristik, b) reines Lern-Modell, c) Hybrid (Lern-Modell als Bewertungsfunktion innerhalb der Minimax-Suche). Spiele je 200 Partien gegeneinander und werte Siegquoten und Spielzeiten aus. Liefere eine Game-Design-Empfehlung mit Vorschlag der Default-Stufe für Familien-Spieler:innen.
Das Briefing
Was Du tust und was Du zeigst.
Wie kombiniert man klassische Spielbaum-Suche mit einer gelernten Bewertungsfunktion, sodass der KI-Gegner spielstark, aber für Familien spielbar bleibt?
Earning criteria — what you'll demonstrate
- Klassische Spielsuche mit modernen Lernverfahren kombinieren
- Feature Engineering für Brettspielzustände domänen-sensibel betreiben
- Game-AI über Tournament-Auswertungen statt anekdotischer Spielproben evaluieren
- Empfehlungen für Game Design aus quantitativen Ergebnissen ableiten
Studienpassung
Wo dies in Dein Studium passt.
Schärft dieselben Fähigkeiten, die Dein Studium von Dir erwartet.
Fähigkeiten
Fähigkeiten, die Du unter Beweis stellst.
Jede taucht auf Deinem verifizierten Zertifikat auf.
Karrieren
Berufe, auf die dies Dich vorbereitet.
Echte Berufsbezeichnungen. Echte Skill-Brücken. Wähle die, die Deinem Werdegang am nächsten kommt.
AI Engineer
Hybride Suche-plus-Lernen-Architekturen sind ein wachsendes AI-Engineer-Feld weit über Spiele hinaus. Die Challenge schult den methodischen Vergleich, der für jede Hybrid-Architektur Pflicht ist.
Dieses Projekt schärft
- minimax-algorithm
- alpha-beta-pruning
- hybrid-models
Machine Learning Engineer
Feature Engineering für gelernte Bewertungsfunktionen und die Tournament-Evaluation sind klassische ML-Engineer-Aufgaben, hier in einem überschaubaren Game-Kontext geübt.
Dieses Projekt schärft
- feature-engineering
- logistic-regression
- game-evaluation
Applied AI Scientist
Die ehrliche Quantifizierung des Beitrags von Lern-Verfahren gegenüber rein heuristischer Suche entspricht der Tätigkeit eines Applied AI Scientists in einem Tech-Spielstudio.
Dieses Projekt schärft
- hybrid-models
- game-evaluation
- feature-engineering
Noch eine Sache