我最近正在學習人工神經網絡，它們的用處讓我很感興趣。所以我試圖做一個可以玩簡單遊戲的遊戲（2048年，之前做過很多次，所以它似乎是一個開始的好地方）。但是，我發現了兩個問題。神經網絡的替代品
首先是我編程的方式，沒有訓練數據集。這似乎可以解決，但我還沒有找到辦法。
二是神經網絡，似乎只能夠最小化錯誤，並與此遊戲，你正試圖最大限度地得分。在任何給定的時間，沒有最佳的神經網絡設置來檢查。
我喜歡創造人工智能的能力，讓它在沒有我直接教授的情況下學習最佳策略，這就是爲什麼我決定首先嚐試這種格式。我的問題是，是否有一種NN能夠克服這些短暫的崩潰，或者是一種沒有這些問題的編程方式，或者我只需切換到不同的算法/程序。如果我確實需要切換，請給出關於切換到什麼的建議。
謝謝你的任何輸入
而且，如果這屬於堆疊交換不同的地方，請說得清
首先，簡要回答你直接的問題。然而，閱讀後，我的建議:)
第一個是我的方式編程它，沒有訓練數據集。這似乎可以解決，但我還沒有找到辦法。
我不認爲一開始就沒有訓練數據集會妨礙你有訓練集的能力。我想你可以用另一個程序來自己製作訓練集，而不需要你的神經網絡來玩遊戲。但是，這可能不是你想要的。
第二個是神經網絡，只是看起來能夠最大限度地減少錯誤，並與此遊戲，你試圖最大限度地得分。在任何給定的時間，沒有最佳的神經網絡設置來檢查。
這也不是問題，因爲你可以define your cost function基本上讓更高的分數有更少的錯誤。也許你可以確定理論最大分數爲「0誤差」，得分0爲100的誤差，然後創建一個適合該模型的成本函數。
還有什麼？
「Reinforcement learning」在我看來似乎與2048最接近，但是就像所有AI一樣，只有當你嘗試並且有證據支持它時，你纔會知道！看看它，看看它是你在找什麼。以下是該鏈接的簡短引用。
強化學習之處在於正確的輸入標準監督學習不同/輸出對從不提出...
1）您可以輕鬆地玩遊戲並保存遊戲狀態創建自己的數據集。我建議你實施一個minimax/expectimax代理並記錄他們的遊戲進程。2）神經網絡是一個迴歸器/分類器，而不是那些必須最小化的東西。獎金）我已經在我自己之前實現了。但是，expectimax迄今爲止表現最好。 – jorgenkg
謝謝，我從來沒有聽說過expectimax，我必須去看看。 – Drickken