Kvíz spojený s průvodcem · Střední úroveň

Kvíz hledání stromů v Monte Carlu

Kontroluje fáze iterace MCTS, průzkum UCT, simulaci zavádění, volbu root-move a jak AlphaGo kombinoval vyhledávání se sítěmi.

Související vodicí cestyHledání stromů Monte Carlo
Otázka 1 z 8

Jaké jsou čtyři hlavní kroky iterace hledání stromu Monte Carlo?

Náhled každé otázky8 otázky

Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.

  1. Jaké jsou čtyři hlavní kroky iterace hledání stromu Monte Carlo?
    • Výběr, expanze, simulace, zpětné šíření
    • Řazení, filtrování, slučování, výstup
    • Kódujte, dekódujte, navštěvujte, předvídejte
    • Trénujte, ověřujte, testujte, nasazujte
  2. Co vyvažuje vzorec výběru UCT?
    • Rychlost versus paměť
    • Využití vysoce hodnotných tahů versus průzkum těch málo navštěvovaných
    • Školení versus vyvozování
    • Šířka versus hloubka sítě
  3. Co se děje v klasickém MCTS během kroku „simulace“ (zavádění)?
    • Strom je smazán
    • Neuronová síť je přetrénována
    • Hra se hraje na výsledek z nového uzlu
    • Všechny děti jsou rozšířeny najednou
  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. Jak MCTS po mnoha iteracích obvykle vybere poslední tah, který bude hrát?
    • Kořenové dítě s největším počtem návštěv
    • Pohyb s nejvyšší okamžitou odměnou
    • Náhodné dítě
    • Nejhlubší uzel ve stromu
  6. Čím je MuZero pozoruhodné ve srovnání s AlphaZero?
    • Nevyužívá žádné neuronové sítě
    • Učí se svému vlastnímu modelu prostředí, takže může plánovat, aniž by mu byla dána pravidla
    • Hraje pouze Go
    • Opouští hledání stromů
  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
    • Zpětná propagace
    • Expansion