論文の概要: What AI can do for horse-racing ?

• arxiv url: http://arxiv.org/abs/2207.04981v1
• Date: Mon, 11 Jul 2022 16:11:08 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-12 15:35:50.747763
• Title: What AI can do for horse-racing ?
• Title（参考訳）: 競馬にAIは何ができるか?
• Authors: Pierre Colle
• Abstract要約: 今後10年で3つの機械学習分野の収束がゲームチェンジャーになり、馬のレイティングを予測し、理解する能力はどうなるかを説明します。 我々は、競馬は動物と人間の相互作用に取り組み、非人間中心の人工知能を構築する現実世界の実験室であると考えている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Since the 1980s, machine learning has been widely used for horse-racing predictions, gradually expanding to where algorithms are now playing a huge role in the betting market. Machine learning has changed the horse-racing betting market over the last ten years, but main changes are still to come. The paradigm shift of neural networks (deep learning) may not only improve our ability to simply predict the outcome of a race, but it will also certainly shake our entire way of thinking about horse-racing - and maybe more generally about horses. Since 2012, deep learning provided more and more state-of-the-art results in computer vision and now statistical learning or game theory. We describe how the convergence of the three machine learning fields (computer vision, statistical learning, and game theory) will be game-changers in the next decade in our ability to predict and understand horse-racing. We consider that horse-racing is a real world laboratory where we can work on the animal-human interaction and build a non-anthropocentric Artificial Intelligence. We believe that this will lead us to understand the horses better and the interactions between animals and humans in general.
• Abstract（参考訳）: 1980年代以降、機械学習は競馬の予測に広く使われ、アルゴリズムが賭け市場で大きな役割を果たしている場所へと徐々に拡大してきた。 機械学習は、過去10年間で競馬の賭け市場を変えてきたが、大きな変化はまだ続くだろう。 ニューラルネットワーク(ディープラーニング)のパラダイムシフトは、単にレースの結果を予測する能力を改善するだけでなく、馬のレースに関する考え方全体を揺るがすことになるでしょう。 2012年以降、ディープラーニングはコンピュータビジョンと統計学習やゲーム理論における最先端の成果をますます提供してきた。 この3つの機械学習分野(コンピュータビジョン、統計学習、ゲーム理論)の収束が、次の10年でどのようにゲームチェンジャーになるかを説明する。 我々は、競馬は動物と人間の相互作用に取り組み、非人間中心の人工知能を構築する現実世界の実験室であると考えている。 このことが、馬の理解を深め、動物と人間全般の相互作用を良くするであろうと私たちは信じています。

関連論文リスト

• Robot Learning with Sensorimotor Pre-training [98.7755895548928]
  ロボット工学のための自己教師型感覚運動器事前学習手法を提案する。 我々のモデルはRTTと呼ばれ、センサモレータトークンのシーケンスで動作するトランスフォーマーである。 感覚運動の事前学習は、ゼロからトレーニングを一貫して上回り、優れたスケーリング特性を持ち、さまざまなタスク、環境、ロボット間での移動を可能にしている。
  論文  参考訳（メタデータ） (2023-06-16T17:58:10Z)
• Pedestrian 3D Bounding Box Prediction [83.7135926821794]
  我々は、自動運転車の複雑な動きの詳細をモデル化せずに、人間の合理的な推定値である3Dバウンディングボックスに焦点を当てる。 本稿では, 歩行者の3次元境界ボックス予測のための, 単純かつ効果的なモデルを提案する。 この方法は、繰り返しニューラルネットワークに基づくエンコーダ・デコーダアーキテクチャに従う。
  論文  参考訳（メタデータ） (2022-06-28T17:59:45Z)
• Challenges of Artificial Intelligence -- From Machine Learning and Computer Vision to Emotional Intelligence [0.0]
  AIは人間の支配者ではなく、支援者である、と私たちは信じています。 コンピュータビジョンはAIの開発の中心となっている。 感情は人間の知性の中心であるが、AIではほとんど使われていない。
  論文  参考訳（メタデータ） (2022-01-05T06:00:22Z)
• Minimizing Energy Consumption Leads to the Emergence of Gaits in Legged Robots [71.61319876928009]
  実四足歩行ロボットにおいて,エネルギー消費を最小化するための学習が自然移動歩行の出現に重要な役割を担っていることを示す。 創発的な足跡は理想的な地形で構築されており、馬や羊のものと似ている。 同じアプローチは、動物運動制御の発見と一致した荒地における非構造的な歩行につながる。
  論文  参考訳（メタデータ） (2021-10-25T17:59:58Z)
• Chess AI: Competing Paradigms for Machine Intelligence [0.0]
  主要なチェスエンジンであるStockfishとLeela Chess Zeroの2つは、プレイ中にかなり異なる方法を採用している。 実験の結果,StockfishはLCZeroよりも優れていた。 私たちは機械が想像力を持つことができるかどうか尋ねる。
  論文  参考訳（メタデータ） (2021-09-23T19:11:57Z)
• Teach me to play, gamer! Imitative learning in computer games via linguistic description of complex phenomena and decision tree [55.41644538483948]
  本稿では,複雑な現象の言語記述に基づく模倣による新しい機械学習モデルを提案する。 この手法は,ゲーム開発における知的エージェントの動作を設計し,実装するための優れた代替手段となる。
  論文  参考訳（メタデータ） (2021-01-06T21:14:10Z)
• Game Plan: What AI can do for Football, and What Football can do for AI [83.79507996785838]
  予測的および規範的フットボール分析は、統計学習、ゲーム理論、コンピュータビジョンの交差点における新たな発展と進歩を必要とする。 フットボール分析は、サッカー自体のゲームを変えるだけでなく、この領域がAIの分野で何を意味するのかという観点からも、非常に価値の高いゲームチェンジャーであることを示す。
  論文  参考訳（メタデータ） (2020-11-18T10:26:02Z)
• Learning Accurate and Human-Like Driving using Semantic Maps and Attention [152.48143666881418]
  本稿では,より正確かつ人間らしく運転できるエンド・ツー・エンド駆動モデルについて検討する。 HERE Technologiesのセマンティックマップとビジュアルマップを活用し、既存のDrive360データセットを拡張します。 私たちのモデルは、実世界の運転データ60時間3000kmのDrive360+HEREデータセットでトレーニングされ、評価されています。
  論文  参考訳（メタデータ） (2020-07-10T22:25:27Z)
• Application of Neuroevolution in Autonomous Cars [0.0]
  我々は、トレーニングにデータを必要としないシステムを提案する。進化モデルは、フィットネス機能に向けて最適化する能力を持つだろう。 我々は、Unreal Engine 4の助けを借りて、シミュレーション仮想環境で自動運転車を訓練・進化させるための遺伝的アルゴリズムであるNeuroevolutionを実装した。
  論文  参考訳（メタデータ） (2020-06-26T19:06:32Z)
• Aligning Superhuman AI with Human Behavior: Chess as a Model System [5.236087378443016]
  我々は、人間のチェスゲームで訓練されたAlpha-Zeroのカスタマイズ版であるMaiaを開発し、既存のエンジンよりもはるかに高い精度で人間の動きを予測する。 人間が次の動きで大きな間違いを犯すかどうかを予測する2つのタスクに対して、我々は、競争ベースラインを大幅に上回るディープニューラルネットワークを開発する。
  論文  参考訳（メタデータ） (2020-06-02T18:12:52Z)
• What can robotics research learn from computer vision research? [10.390240230534701]
  近年、ビッグデータ、GPUコンピューティング、新しい学習アルゴリズム、効果的な研究手法によってコンピュータビジョンの進歩がターボチャージャー化されている。 コンピュータビジョンの進歩は、研究方法論(実験に対する厳格な制約による評価、大胆な数字対ビデオ)によるものだと我々は主張する。
  論文  参考訳（メタデータ） (2020-01-08T04:32:10Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。