@MASTERSTHESIS{ 2014:1443665791,
 	title = {Meta-level reasoning in reinforcement learning},
 	year = {2014},
 	url = "http://tede2.pucrs.br/tede2/handle/tede/5253",
 	abstract = "Reinforcement learning (RL) ? uma t?cnica para encontrar uma pol?tica ?tima em ambientes estoc?sticos onde, as a??es de uma pol?tica inicial s?o simuladas (ou executadas diretamente) e o valor de um estado ? atualizado com base nas recompensas obtida imediatamente ap?s a execu??o de cada a??o. Existem trabalhos que modelam advers?rios em jogos competitivos em ambientes estoc?sticos e usam RL para aprender pol?ticas contra esses advers?rios. Neste cen?rio, a taxa de mudan?a de valores do estado monotonicamente diminui ao longo do tempo, de acordo com a convergencia do aprendizado. Embora este modelo pressup?e que a estrat?gia do advers?rio ? est?tica ao longo do tempo, tal suposi??o ? muito forte com advers?rios humanos. Conseq?entemente, neste trabalho, ? desenvolvido um mecanismo de meta-level RL que detecta quando um oponente muda de estrat?gia e permite que taxa de aprendizado almente, a fim de aprender a jogar contra uma estrat?gia diferente. Esta abordagem ? validada de forma emp?rica, utilizando sele??o de estrat?gias de alto n?vel no jogo Starcraft: Brood War.",
 	publisher = {Pontif?cia Universidade Cat?lica do Rio Grande do Sul},
 	scholl = {Programa de P?s-Gradua??o em Ci?ncia da Computa??o},
 	note = {Faculdade de Inform?ca}
}