guilherme-deschamps / predicting-leagueoflegends-games-with-lstm

Trabalho implementado estudando Inteligência Computacional, que busca identificar qual o time vencedor em uma partida de League of Legends baseado em informações limitadas.

Spring Boot developer with 4 years of experience, currently working with Machine Learning and having fun with NLP and Computer Vision projects! 👋

In summary, I am currently:

• 🔭 Working at Myriad U.G., developing predictive models for autonomous vertical gardening,
• 🌱 Studying Machine Learning (more repositories coming out soon :) ) and MLOps,
• 👯 Looking to collaborate on AI explainability and computer vision!
• 📫 How to reach me: LinkedIn

predicting-leagueoflegends-games-with-lstm's Issues

Avaliação da Proposta de Trabalho

EQUIPE
Ok.
PROBLEMA
Ok. Predizer o resultado final do jogo a partir das condições iniciais.
DATASET
Ok. (LoL) League of Legends Ranked Games
TÉCNICA
INCORRETO. Problemas:
• A equipe apenas indicou a sigla da técnica (LSTM).
• Conforme enunciado a equipe deveria descrever como a técnica será aplicada. Ou seja, quais são as entradas da LSTM e o que essas entradas representam no problema? Quais são as saídas e o que elas representam no problema? Como será determinada a arquitetura de rede adequada ao problema (quantas camadas e neurônios)? Qual estratégia de validação cruzada pretende utilizar para isso? Qual métrica será utilizada para medir o desempenho da LSTM?
OBSERVAÇÕES
Quando for realizada a avaliação do trabalho completo, será verificado se a equipe corrigiu os problemas acima descritos. Se desejar, a equipe pode comparecer em alguma aula síncrona para esclarecimentos, ou então agendar horário extra-classe com o professor.

Avaliação da Entrega Final

PROBLEMA
Ok. Identificar os impactos que situações ocorridas no início do jogo causam no final do jogo League of Legends.
DATASET
Ok. (LoL) League of Legends Ranked Games
TÉCNICA
LSTM. Problemas no relatório:

1. Faltou explicar qual é a variável de saída do modelo e seus possíveis valores.
2. Justificativa de terem utilizado apenas 8 variáveis do dataset. Faltou explicar também o que significa cada variável e seus valores.
3. É mostrada uma tabela de output, mas ela não é explicada. Por exemplo ela mostra 5 exemplos, são apenas estes exemplos considerados no trabalho? Esta tabela mostra um recorte do dataset, ou já são saídas previstas pelo LSTM adotado no trabalho?
4. “a cada dois inputs, o output é informado” se o dataset já possui quem é o “winner” (output) para cada input, então qual é a necessidade de calcular um outro output a cada dois?
5. Não foi explicada a estratégia de validação cruzada utilizada.
6. Foram utilizados parâmetros que não ficaram totalmente claros para a equipe (“random_state”)
   RESULTADOS OBTIDOS
   Problemas no relatório:
   a) Não fica claro se todas as partidas do datset foram usadas no treinamento e resultados.
   b) Não são mostrados resultados de outras arquiteturas testadas, para justificar a escolha do LSTM com 50 neurônios.
   c) Não foi explicado o motivo de se alterar as variáveis de entrada (ex: só firstbaron e firstinhibitor) e como isso afeta as 8 variáveis do dataset.
   d) Nos gráficos de resultados não fica claro se os resultados obtidos são para o conjunto de treinamento ou teste.
   Ponto positivo: os resultados são média de 5 execuções.
   INSTRUÇÕES DE USO DO SOFTWARE
   Ok
   VÍDEO
   O vídeo esclarece sobre as variáveis do modelo, itens (1) e (2) acima. Os demais itens não foram esclarecidos no vídeo.
   OBSERVAÇÕES
   A cada execução o sistema está treinando novamente o modelo. Na implementação funcional do software, o correto seria utilizar apenas aquele modelo que produziu o melhor resultado
   NOTA FINAL
   7.5