Kvíz spojený s průvodcem · Střední úroveň

AlphaGo a AlphaZero kvíz

Prohlédněte si odbornou hru AlphaGo a školení pro vlastní hru, učení a vyhledávání založené na pravidlech AlphaZero a naučený model plánování MuZero.

Související vodicí cestyAlphago A Alphazero
Otázka 1 z 8

Proč byla hra Go považována za zvlášť náročnou pro počítače?

Náhled každé otázky8 otázky

Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.

  1. Proč byla hra Go považována za zvlášť náročnou pro počítače?
    • Má astronomicky velký počet možných poloh
    • Má velmi málo možných pohybů
    • Hraje se pouze na papíře
    • Nemá to žádná pravidla
  2. Koho AlphaGo slavně porazil 4-1 v roce 2016?
    • Garry Kasparov
    • Lee Sedol
    • Magnus Carlsen
    • Náhodný amatér
  3. Which three games did AlphaZero’s paper evaluate?
    • Go, chess, and shogi
    • Poker, bridge, and backgammon
    • Atari, StarCraft, and Dota
    • Only Go and chess
  4. Kterou vyhledávací metodu AlphaZero spáruje se svou neuronovou sítí?
    • Binární vyhledávání v telefonním seznamu
    • Lineární regrese
    • Bublinové řazení
    • Hledání stromů Monte Carlo
  5. Jaké dvě věci předpovídá neuronová síť AlphaZero jako vodítko při jejím hledání?
    • Zásada (dobré tahy) a hodnota (kdo vyhrává)
    • Počasí a čas
    • Jméno a věk soupeře
    • Barvy a zvuky
  6. What did MuZero add to the AlphaZero-style planning approach?
    • A requirement for human game records
    • A learned model of reward and environment dynamics used for planning without being given the rules
    • A replacement for all tree search
    • A fixed database of every possible board position
  7. What information did AlphaZero need in its board-game experiments besides self-play?
    • A database of professional games
    • A complete endgame table for every position
    • The rules of the games
    • Human rankings for every possible move
  8. How did the original AlphaGo system combine supervised and reinforcement learning?
    • It trained a policy from expert games and then improved through self-play
    • It used only random moves and never trained on human games
    • It learned the game rules from images without playing
    • It relied only on a fixed database of winning games