Тест, свързан с ръководство · Среден Ниво

Тест за търсене на дървета в Монте Карло

Проверява етапите на итерация на MCTS, проучване на UCT, симулация на внедряване, избор на коренно преместване и как AlphaGo комбинира търсене с мрежи.

Свързани ръководни пътекиТърсене на дървета в Монте Карло
Въпрос 1 на 8

Кои са четирите основни стъпки на итерация за търсене на дърво в Монте Карло?

Визуализирайте всеки въпрос8 въпроси

Отговорите и обясненията се появяват, докато отговаряте на теста.

  1. Кои са четирите основни стъпки на итерация за търсене на дърво в Монте Карло?
    • Селекция, разширяване, симулация, обратно разпространение
    • Сортиране, филтриране, обединяване, извеждане
    • Кодирайте, декодирайте, присъствайте, прогнозирайте
    • Обучавайте, валидирайте, тествайте, внедрявайте
  2. Какво балансира формулата за избор на UCT?
    • Скорост срещу памет
    • Експлоатиране на ходове с висока стойност срещу проучване на по-малко посетени
    • Обучение срещу умозаключение
    • Ширина спрямо дълбочина на мрежата
  3. В класическия MCTS какво се случва по време на стъпката на „симулация“ (разпространение)?
    • Дървото се изтрива
    • Невронната мрежа е преквалифицирана
    • Играта се играе до резултат от новия възел
    • Всички деца се разширяват наведнъж
  4. What roles did AlphaGo’s policy and value networks play in its MCTS search?
    • The policy network computed transitions and the value network chose the root child
    • Both networks performed random rollouts without evaluating positions
    • The value network proposed legal moves while the policy network estimated terminal rewards
    • The policy network guided move selection and the value network estimated position strength; AlphaGo also used a rollout policy
  5. След много повторения, как MCTS обикновено избира последния ход за игра?
    • Основното дете с най-много посещения
    • Ходът с най-високата незабавна награда
    • Случайно дете
    • Най-дълбокият възел в дървото
  6. Какво прави MuZero забележителен в сравнение с AlphaZero?
    • Не използва невронни мрежи
    • То научава свой собствен модел на околната среда, така че може да планира, без да му се дават правилата
    • Играе само Go
    • Изоставя търсенето на дърво
  7. In the UCT selection score, what does the exploration term reward?
    • Only the child with the highest raw reward
    • Moves that have already been selected most often, regardless of value
    • Children with fewer visits relative to their parent, encouraging further sampling
    • A random rollout’s final board size
  8. Which MCTS iteration step adds a new child to the existing tree?
    • Selection
    • Simulation
    • Обратно разпространение
    • Expansion