T:
Paano nakatutulong ang NeuroEvolution of Augmenting Topologies (NEAT) sa pag-aaral ng genetic machine?
A:Ang NeuroEbolusyon ng Augmenting Topologies (NEAT) ay nag-aambag sa pag-aaral ng genetic machine sa pamamagitan ng pagbibigay ng isang makinis na makabagong modelo batay sa mga prinsipyo ng mga genetic algorithm na makakatulong upang mai-optimize ang mga network ayon sa parehong mga timbang at istruktura ng isang network.
Ang mga henetikong algorithm sa pangkalahatan ay artipisyal na mga modelo ng pag-aaral ng katalinuhan at machine na sa ilang paraan batay sa prinsipyo ng natural na pagpili - mga modelo na gumagana sa pamamagitan ng pag-proseso ng iterative ng prinsipyong iyon ng pagpili ng pinakamahusay na resulta para sa isang naibigay na pangangailangan. Ito ay bahagi ng isang mas malawak na kategorya ng "evolutionary algorithm" sa tinatawag na mga propesyonal na "evolutionist school" ng pag-aaral ng makina - isa na lubos na nakabalangkas sa paligid ng mga prinsipyo ng evolutionary.
| Libreng Pag-download: Pag- aaral ng Machine at Bakit Mahalaga ito |
Ang NeuroEvolution of Augmenting Topologies network ay isang Topology at Timbang na Pag-unlad ng Artipisyal na Neural Network (TWEAN) - na-optimize nito kapwa ang topology ng network at ang mga bigat na input ng network - kasunod na mga bersyon at tampok ng NEAT ay nakatulong upang maiakma ang pangkalahatang prinsipyo na ito sa mga tiyak na paggamit. kabilang ang paglikha ng nilalaman ng video at pagpaplano ng mga robotic system.
Sa mga tool tulad ng NeuroEvolution of Augmenting Topologies, ang mga artipisyal na neural network at mga katulad na teknolohiya ay maaaring kasangkot sa ilang mga parehong mga paraan na ang buhay na biological ay umusbong sa planeta - gayunpaman, ang mga teknolohiya ay maaaring pangkalahatan na umusbong nang napakabilis at sa maraming sopistikadong paraan.
Ang mga mapagkukunan tulad ng isang grupo ng mga gumagamit ng NeuroEbolusyon ng Augmenting Topologies, ang isang software na FAQ at iba pang mga elemento ay makakatulong upang makabuo ng isang mas buong pag-unawa sa kung paano gumagana ang NEAT at kung ano ang kahulugan sa konteksto ng pag-aaral ng ebolusyon ng makina. Mahalaga, sa pamamagitan ng pag-stream ng istraktura ng isang network at pagbabago ng mga timbang ng input, ang NEAT ay makakakuha ng mga tao na humahawak ng mga sistema ng pag-aaral ng machine na mas malapit sa kanilang mga layunin, habang inaalis ang maraming paggawa ng tao na kasangkot sa pag-setup. Ayon sa kaugalian, kasama ang simpleng mga network ng neural feedforward at iba pang mga unang modelo, ang pag-istruktura at setting ng mga timbang na input ay nakasalalay sa pagsasanay ng tao. Ngayon, awtomatiko ito sa mga sistemang ito sa isang mataas na degree.
