Extracción de conocimiento de logs de póker online

Abstract

En los últimos años estamos viviendo un nuevo 'boom' del póker online. Y no es de extrañar puesto que sus normas son fáciles de aprender y su dinámica sencilla. Detrás de esta aparente sencillez se encuentra uno de los juegos más duros de la teoría de juegos. El póker online es un juego de suma cero, estocástico, continuo, que usa información imperfecta y que puede incluir hasta 10 jugadores simultáneos independientes jugando más de 100 manos por hora. La tendencia de los jugadores profesionales de póker es utilizar herramientas basadas en la teoría de juegos para el entrenamiento, calculando el resultado de miles de combinaciones de movimientos por segundo. Sin embargo, debido a la potencia de cálculo requerida, su uso es necesariamente para el estudio de situaciones teóricas o pasadas, nunca situaciones presentes. Además, éstas herramientas dejan de lado una parte del análisis de la que se puede extraer valor. Se trata del análisis de patrones de comportamiento de los jugadores. Para dicha extracción de este tipo de conocimiento, este Trabajo de Fin de Máster estudia y analiza un dataset de manos de póker online. Durante el análisis se extrae conocimiento de todo tipo. Tanto conocimiento que los jugadores profesionales conocen perfectamente, describiéndolo numéricamente, como el impacto de la posición en las posibilidades de éxito, como conocimiento detallado que exige un estudio minucioso, como las sutiles diferencias entre líneas de juego. En el presente Trabajo de Fin de Máster se demuestra, en definitiva, que se pueden usar herramientas de Deep Learning para analizar logs de Poker Texas Hold'em online para extraer conocimiento y analizar el comportamiento de los jugadores.

In recent years we are assisting to a new 'boom' of online poker. And it is not surprising since its rules are easy to learn and its dynamics simple. Beyond this simplicity it is hidden one of the toughest games in game theory. Poker online is a zero-sum, stochastic, continuous game that uses imperfect information involving up to 10 independent simultaneous players dealt around 100 hands per hour. Poker professionals use training applications based in game theory, able to calculate thousands of move combinations per second. However, due to the performance required, its use is restricted to study theorical or past hands, never online. In addition, these tools lack a part of the analysis where extra value can be extracted. Analysis on player behaviour patterns. This Master Thesis studies and analyzes a dataset of online poker hands in order to extract this kind of hidden knowledge. During the analysis an huge variety of knowledge is extracted. From knowledge that professional poker players handle perfectly, like the impact of the position in success rate, to detailed knowledge that implies deep study, like the subtle differences between betting lines. In the present Master Thesis demostrates that is possible to use Deep Learning tools can be used to analyze Texas Hold'em online Poker logs to extract knowledge and analyze the behavior of players.

En els últims anys estem vivint un nou 'boom' del pòquer en línia. I no és d'estranyar, ja que les seves normes són fàcils d'aprendre i la seva dinàmica senzilla. Darrere d'aquesta aparent senzillesa es troba un dels jocs més durs de la teoria de jocs. El pòquer en línia és un joc de suma zero, estocàstic, continu, que fa servir informació imperfecta i que pot incloure fins a 10 jugadors simultanis independents jugant més de 100 mans per hora. La tendència dels jugadors professionals de pòquer és utilitzar eines basades en la teoria de jocs per a l'entrenament, calculant el resultat de milers de combinacions de moviments per segon. No obstant això, a causa de la potència de càlcul requerida, el seu ús és necessàriament per a l'estudi de situacions teòriques o passades, mai situacions presents. A més, aquestes eines deixen de banda una part de l'anàlisi de la qual es pot extreure valor. Es tracta de l'anàlisi de patrons de comportament dels jugadors. Per a aquesta extracció d'aquest tipus de coneixement, aquest treball estudia i analitza un dataset de mans de pòquer en línia. Durant l'anàlisi s'extreu coneixement de tota mena. Tant coneixement que els jugadors professionals coneixen perfectament, descrivint-numèricament, com l'impacte de la posició en les possibilitats d'èxit, com a coneixement detallat que exigeix un estudi minuciós, com les subtils diferències entre línies de joc. En el present Treball de Fi de Màster es demostra, en definitiva, que es poden usar eines Deep Learning per analitzar logs de Poker Texas Hold'em en línia per extreure coneixement i analitzar el comportament dels jugadors.