Kamerabasiertes Verfahren mit neuronalem Netz zur Prognose eines Roulettespiels

Abstract

Die Approximation mittels Modellbildung ist insbesondere bei Systemen mit chaotischen Tendenzen problematisch, da Abweichungen durch Vereinfachungen oder Vernachlässigungen kleinster Einflüsse bereits erhebliche Auswirkungen haben können. Die vorliegende Masterthesis untersucht die Prädizierbarkeit chaotischer Systeme auf Basis eines neuronalen Netzes und die Fähigkeit eines solchen, physikalische Zusammenhänge anhand visueller Daten eines Roulettespiels zu erlernen. Weiterführend wird untersucht, bis zu welchem Maße solche Lernvorgänge durch speziell entwickelte Kostenfunktionen unterstützt werden können und inwieweit diese konventionellen Ansätzen überlegen sind.

Modeling systems, especially those with chaotic tendencies, is often challenging, since deviations due to simplifications may have a huge impact on resulting conditions. The present thesis evaluates the predictability of chaotic systems by neural networks and the ability of such networks to learn physical dependencies based on visual data of a game of roulette. For the optimization of neural networks, the learning process is furthermore supported by custom designed loss functions and their performance is compared to conventional approaches.