K:
Hogyan járul hozzá a növekvő topológiák (NEAT) a genetikai gépi tanuláshoz?
A:A NeuroEvolution of Augmenting Topologies (NEAT) hozzájárul a genetikai gépi tanuláshoz olyan élvonalbeli innovatív modell biztosításával, amely a genetikai algoritmusok elvein alapszik, és amelyek elősegítik a hálózatok optimalizálását mind a hálózat súlya, mind szerkezete szerint.
A genetikai algoritmusok általában olyan mesterséges intelligencia és gépi tanulási modellek, amelyek valamilyen módon a természetes szelekció elvén alapulnak - modellek, amelyek ezen elv iteratív feldolgozásával működnek, amikor az adott igényre a legjobb eredményt választják ki. Ezek a "evolúciós algoritmusok" szélesebb kategóriájának részét képezik, amelyet a szakemberek a gépi tanulás "evolúciós iskolájának" neveztek - egy, amely erősen felépült a biológiai evolúciós alapelvek köré.
| Ingyenes letöltés: Gépi tanulás és miért számít? |
A bővítő topológiák hálózatának NeuroEvolution egy topológiát és súlyt átalakító mesterséges neurális hálózat (TWEAN) - ez optimalizálja mind a hálózati topológiát, mind a hálózat súlyozott bemeneteit - a NEAT későbbi verziói és jellemzői elősegítették ezen általános elv alkalmazását az adott felhasználáshoz, beleértve a videojáték-tartalom létrehozását és a robotrendszerek tervezését.
Az olyan eszközökkel, mint a NeuroEvolution of Augmenting Topologies, a mesterséges ideghálózatok és a hasonló technológiák hasonló módon járhatnak, mint a biológiai élet a bolygón - azonban a technológiák általában nagyon gyorsan és sok kifinomult módon fejlődhetnek.
Az olyan források, mint a NeuroEvolution of Augmenting Topologies felhasználói csoport, a szoftver GYIK és más elemek segíthetnek, hogy jobban megértsék, hogyan működik a NEAT, és mit jelent az evolúciós gépi tanulás összefüggésében. Alapvetõen a hálózat struktúrájának korszerûsítésével és a bemeneti súlyok megváltoztatásával a NEAT közelebb hozhatja a gépi tanulási rendszerek embereit a célokhoz, miközben kiküszöböli a telepítésben részt vevô emberi munka sok részét. Hagyományosan, egyszerű előrejelző neurális hálózatokkal és más korai modellekkel, a súlyozott inputok felépítése és beállítása az emberi képzésen alapult. Most nagymértékben automatizáljuk ezeket a rendszereket.
