Вячеслав Шиндин

ML в геймдеве можно использовать как на микроуровне, например, для оптимизаций вычислений и различных симуляций развеивания одежды на персонажах, динамики движений, мимики, физики жидкостей и различных материалов и т.д.

Так же ML в геймдеве можно использовать на макроуровне, т.е. описывать модели которые будут управлять игровым миром, насыщать его событиями, действиями NPC, в общем для оживления мира.

Так же ML можно использовать для анализа поведения самих игроков, оценивать что им интересно или не интересно, чтобы понимать куда развивать игру дальше.

Ну DOM является древовидной структурой (грубо говоря, частный случай графа). Вопрос в том, как представить этот граф в удобном виде?
В простейшем случае: взять массив из N на N элементов, где N - число элементов DOM, и представить этот граф в виде матрицы смежности. Ну а сами элементы и их атрибуты можно представить в виде вектора из N элементов, где каждый элемент будет категориальным (название тэга). Если нужно учитывать атрибуты этих тегов, то в векторе из N элементов, элементами сделать другие вектора, которые будут состоять из категориального названия тэга, из каких-нибудь там названий классов, основных атрибутов и т.п. Зависит от того, какие атрибуты считать значимыми и учитывать как ML-фичи, а какие можно проигнорировать.

Ну а сам процесс формирования, это обход DOM-дерева и заполнение соответствующих структур данных.

А ещё, лет 10 назад я делал такое решение:
- фильтровал html, оставлял структуру и значимые для меня атрибуты, остальное откидывал
- заменял контент в тегах и значения атрибутов на некоторые значения по умолчанию (важна была только структура, а не сам контент)
- при обходе такого отфильтрованного DOM брал хеш от html в строковом представлении каждой обойдённой ноды со всеми дочерними элементами, и накапливал частоту встречаемости таких хешей с разных сайтов

В итоге в БД у меня получился список хешей, частота встречаемости и сам html-шаблон из которого этот хеш был сформирован. Но помимо шаблонов я ещё собирал дополнительную инфу, кол-во слов, язык, некоторые значения атрибутов и т.п. Но это уже для более тонкой настройки фильтров.

По поводу математики, думаю полезным будут следующие курсы:
- дискретная математика
- математическая статистика
- теория вероятностей
- численные методы
- методы математического моделирования
- линейная алгебра

Из программирования:
- алгоритмы и структуры данных
- теория графов
- нейронные сети
- компьютерная графика (т.к. машинное обучение и нейронные сети в последнее время часто используют именно в компьютерном зрении)

Откопал такую задачку:

Искусственный муравей (Artificial Ant). Представляет чрезвычайно сложную задачу15
для
генетического программирования. В данной задаче необходимо найти простой алгоритм
управления роботом-муравьем, который находит и съедает наибольшее количество пищи за
400 тактов модельного времени16
. Муравей может двигаться вперед, поворачивать налево и
направо. Если во время движения он проходит через ячейку с пищей, то он съедает ее.
Муравей также может «почуять», есть ли в клетке перед ним пища. Решетка с миром, в
котором живет искусственный муравей показана на рис. 69. След ячеек с пищей известен как
«След Санта Фе». Мир тороидальный: выход за границы приводит к появлению муравья с
противоположной стороны.

Особь искусственного муравья состоит из одного дерева. Оценка приспособленности
производится следующим образом. Муравей начинает путь с левого верхнего угла и
повернут направо. Затем начинается исполнение дерева: при активации узла движения или
сенсора, муравей соответственно двигается или чувствует. Когда исполнение дерева
заканчивается, оно начинает исполняться с самого начала. Каждое движение занимает 1 такт
времени. Оценка заканчивается, когда муравей съел всю пищу в мире, либо когда
закончилось 400 шагов. Приспособленность равна количеству съеденной пищи.
Задача искусственного муравья отличается от задачи символьной регрессии и булевских
задач тем, что сами значения на выходах узлов дерева игнорируются. Единственно важным
является то, как влияет действие узла на сам мир, т.е. побочный эффект от активации узла:
движение муравья, поворот и т.д. Это означает, что для искусственного муравья порядок
исполнения узлов определяет действия особи, в то время как для предыдущих задач
очередность исполнения узлов дерева не играла особой роли. Пример решения (очень
компактного) для задачи искусственного муравья: (progn3 (if-food-ahead move
(progn2 left (progn2 (progn3 right right right) (if-food-ahead
move right)))) move right).