נושא הפרוייקט

מספר פרוייקט מחלקה שמות סטודנטים אימייל שמות מנחים

מודל מבוסס למידה עמוקה לחיזוי שגיאות של שחקנים במשחקי שחמט

Deep Learning based model for blunder prediction in chess

תקציר בעיברית

היכולת לחזות טעויות בשחמט משחקת תפקיד חשוב בשיפור ביצועים של שחקנים ובלאפשר להם לקחת החלטות טקטיות מושכלות. אנחנו מציגים גישה חדשנית לחיזוי שגיאות שחמט עבור שחקנים אינדיבידואליים על ידי שילוב של ייצוג חדש עבור לוחות מבוסס רשת סיאמית ומודל המלצה מבוסס למידה עמוקה.
השלב הראשון כולל הכנת ייצוג חדש עבור לוחות בעזרת ארכיטקטורה של רשת סיאמית. הרשת הסיאמית אומנה על שלשות של לוחות הנלקחו ממאגר נתונים של לוחות המתויגים על פי המוטיפים שלהם. הרשת הסיאמית משתמשת במשקלים משותפים על מנת ללמוד ייצוג בעל משמעות של לוחות שחמט, המתייחס ליחסים מורכבים בין הכלים על הלוח והאינטרקציות בינהם.
לאחר מכן, מודל המלצה מבוסס למידה עמוקה מופעל על מנת לחזות את הסיכוי לטעות על ידי משתמש בהנתן לוח שחמט. המודל מתחשב במאפיינים נוספים כמו דירוג המשתמש, ומספר המהלכים שקרו לפני כן במשחק. שילוב מידע האישי למשתמש עם מידע השייך ללוח מאפשר ניתוח נרחב של המאפיינים המשפיעים על טעויות במשחק ומאפשר למודל להגיע לניקוד AUC של 0.76.
הגישה מאפשר לשחקנים להתמקד בחידות שחמט שמאתגרות אותם ויאפשרו להם לפתח את יכולות המשחק שלהם.
בנוסף אנחנו מציגים מודל המאפשר לייצג לוחות כך שבעזרת המודל לחיזוי שגיאות, יוכל להיות בשימוש כחלק ממערכת להמלצת חידות שחמט.
לסיכום, התזה מציגה תרומה משמעותית לתחום השחמט על ידי הצגת שיטה לחיזוי טעויות במשחק.השילוב של ייצוג חדש של לוחות מבוסס רשת סיאמית ומודל חיזוי מבוסס למידה עמוקה מציע מסגרת חזקה עבור זיהוי שגיאות קריטיות בשחמט. לממצאים יש את היכולת לשפר את יכולת לקיחת ההחלטות של השחקנים ולסייע להם להגיע למומחיות במשחק.

תקציר באנגלית

The ability to predict blunders in chess plays a vital role in enhancing players' performance and enabling them to make informed strategic decisions. We present a novel approach to predict chess blunders for individuals through the integration of a siamese network-based board embedding and a deep factorization machine (FM).

The first step involves creating a board embedding using a siamese network architecture. A carefully curated dataset of chess boards, tagged by their motifs, is utilized to train the network using triplets. The siamese network employs a shared weight structure to learn a meaningful representation of the chess boards, capturing intricate spatial relationships between the pieces and their interactions.

Subsequently, a deep FM model is employed to predict the likelihood of a blunder in a given chess position by an individual. The deep FM takes into account additional features, including the user's rating and how many moves have been played on the board. This fusion of user-specific information and board characteristics enables a comprehensive analysis of the factors influencing blunders and achieves a ROC-AUC score of 0.76.

This approach enables players to focus on puzzles that are both challenging and beneficial to their individual skill development.

Additionally we present a board embedding model that when used in addition to the blunder prediction model, can be used for a puzzle recommendation system.

Overall, this thesis presents a valuable contribution to the field of chess analytics by introducing a method for predicting chess blunders. The integration of a siamese network-based board embedding and a deep FM model offers a robust framework for identifying critical mistakes in chess plays. The findings have the potential to enhance players' strategic decision-making abilities and facilitate their journey towards mastery in the game of chess.