Domov Zvuk Jak neuroevoluce rozšiřujících se topologií přispívá k učení genetického stroje?

Jak neuroevoluce rozšiřujících se topologií přispívá k učení genetického stroje?

Anonim

Q:

Jak NeuroEvolution of Augmenting Topologies (NEAT) přispívá k genetickému strojovému učení?

A:

NeuroEvolution of Augmenting Topologies (NEAT) přispívá ke genetickému strojovému učení tím, že poskytuje špičkový inovativní model založený na principech genetických algoritmů, které pomáhají optimalizovat sítě podle hmotnosti i struktury sítě.

Genetické algoritmy obecně jsou umělé inteligence a modely strojového učení, které jsou nějakým způsobem založeny na principu přirozeného výběru - modely, které pracují iterativním zpracováním tohoto principu výběru nejlepšího výsledku pro danou potřebu. Jedná se o součást širší kategorie „evolučních algoritmů“ v tom, co odborníci nazývali „evolucionistickou školou“ strojového učení - která je vysoce strukturovaná kolem biologických evolučních principů.

Zdarma ke stažení: Strojové učení a proč to záleží

Síť NeuroEvolution of Augmenting Topologies je umělá neuronová síť, která vyvíjí topologii a váhu (TWEAN) - optimalizuje jak topologii sítě, tak vážené vstupy sítě - následující verze a vlastnosti NEAT pomohly přizpůsobit tento obecný princip konkrétním účelům, včetně vytváření obsahu videoher a plánování robotických systémů.

S nástroji, jako je NeuroEvolution of Augmenting Topologies, umělé neuronové sítě a podobné technologie mohou zahrnovat některé ze stejných způsobů, jakým se biologický život vyvíjel na planetě - technologie se však obecně mohou vyvíjet velmi rychle a mnoha sofistikovanými způsoby.

Prostředky jako skupina uživatelů NeuroEvolution of Augmenting Topologies, softwarové FAQ a další prvky mohou pomoci lépe porozumět tomu, jak NEAT funguje a co to znamená v souvislosti s evolučním strojovým učením. V zásadě zefektivněním struktury sítě a změnou vstupních hmotností může NEAT přiblížit lidské manipulátory systémů strojového učení blíže k jejich cílům, přičemž eliminuje mnoho lidské práce zapojené do nastavení. Struktura a nastavení vážených vstupů se tradičně s jednoduchými dopřednými neuronovými sítěmi a dalšími ranými modely spoléhalo na lidský výcvik. Nyní je s těmito systémy do značné míry automatizován.

Jak neuroevoluce rozšiřujících se topologií přispívá k učení genetického stroje?