Ερ:
Πώς η NeuroEvolution των Αυξητικών Τοπολογιών (NEAT) συμβάλλει στη γενετική μηχανική μάθηση;
ΕΝΑ:Η NeuroEvolution of Augmenting Topologies (NEAT) συμβάλλει στη γενετική μηχανική μάθηση παρέχοντας ένα πρωτοποριακό μοντέλο βασισμένο στις αρχές των γενετικών αλγορίθμων που βοηθούν στη βελτιστοποίηση των δικτύων ανάλογα τόσο με τα βάρη όσο και με τις δομές ενός δικτύου.
Γενικοί αλγόριθμοι γενικά είναι μοντέλα τεχνητής νοημοσύνης και μηχανικής μάθησης που βασίζονται κατά κάποιον τρόπο στην αρχή της φυσικής επιλογής - μοντέλα που λειτουργούν με την επαναληπτική επεξεργασία της αρχής της επιλογής του καλύτερου αποτελέσματος για μια συγκεκριμένη ανάγκη. Αυτά αποτελούν μέρος μιας ευρύτερης κατηγορίας "εξελικτικών αλγορίθμων" σε αυτό που οι επαγγελματίες αποκαλούν "εξελικτική σχολή" της μηχανικής μάθησης - μία που είναι πολύ δομημένη γύρω από τις βιολογικές εξελικτικές αρχές.
| Δωρεάν Λήψη: Μηχανική Μάθηση και γιατί έχει σημασία |
Το δίκτυο NeuroEvolution of Augmenting Topologies είναι ένα τοπολογικό και εξελισσόμενο τεχνητό νευρωνικό δίκτυο (TWEAN) - βελτιστοποιεί τόσο την τοπολογία του δικτύου όσο και τις σταθμισμένες εισροές του δικτύου - οι επακόλουθες εκδόσεις και χαρακτηριστικά του NEAT βοήθησαν στην προσαρμογή αυτής της γενικής αρχής σε συγκεκριμένες χρήσεις, συμπεριλαμβανομένης της δημιουργίας περιεχομένου βίντεο παιχνιδιών και του σχεδιασμού ρομποτικών συστημάτων.
Με εργαλεία όπως το NeuroEvolution των Αυξητικών Τοπολογιών, τα τεχνητά νευρωνικά δίκτυα και παρόμοιες τεχνολογίες μπορούν να εμπλέκουν με μερικούς από τους ίδιους τρόπους ότι η βιολογική ζωή έχει εξελιχθεί στον πλανήτη - ωστόσο, οι τεχνολογίες μπορούν γενικά να εξελιχθούν πολύ γρήγορα και με πολλούς πολύπλοκους τρόπους.
Πόροι όπως μια ομάδα χρηστών NeuroEvolution of Augmented Topologies, μια συχνή συνδρομή λογισμικού και άλλα στοιχεία μπορούν να βοηθήσουν στην ανάπτυξη μιας πληρέστερης κατανόησης του τρόπου λειτουργίας του NEAT και του τι σημαίνει αυτό στο πλαίσιο της εξελικτικής μηχανικής μάθησης. Ουσιαστικά, βελτιστοποιώντας τη δομή ενός δικτύου και μεταβάλλοντας τα βάρη των εισροών, η NEAT μπορεί να προσεγγίσει τους χειριστές των συστημάτων μηχανικής μάθησης στους στόχους τους, ενώ παράλληλα εξαλείφει πολλές ανθρώπινες εργασίες που εμπλέκονται στην οργάνωση. Παραδοσιακά, με απλά ανεστραμμένα νευρωνικά δίκτυα και άλλα πρώιμα μοντέλα, η δομή και ο καθορισμός σταθμισμένων εισροών στηρίχτηκε στην εκπαίδευση του ανθρώπου. Τώρα, αυτοματοποιείται με αυτά τα συστήματα σε μεγάλο βαθμό.
