Κουίζ που συνδέεται με οδηγό · Μεσαίο Επίπεδο
Κουίζ AlphaGo και AlphaZero
Εξετάστε την εκπαίδευση του AlphaGo με ειδικούς σε παιχνίδια και αυτο-παιχνίδι, τη μάθηση και αναζήτηση βάσει κανόνων του AlphaZero και το μοντέλο σχεδιασμού που έχει μάθει το MuZero.
Ερώτηση 1 του 8
Γιατί το παιχνίδι Go θεωρήθηκε ιδιαίτερα δύσκολο για τους υπολογιστές;
Προεπισκόπηση κάθε ερώτησης8 ερωτήσεις
Οι απαντήσεις και οι εξηγήσεις εμφανίζονται καθώς κάνετε το κουίζ.
- Γιατί το παιχνίδι Go θεωρήθηκε ιδιαίτερα δύσκολο για τους υπολογιστές;
- Έχει έναν αστρονομικά μεγάλο αριθμό πιθανών θέσεων
- Έχει πολύ λίγες πιθανές κινήσεις
- Παίζεται μόνο στα χαρτιά
- Δεν έχει κανόνες
- Ποιον νίκησε περίφημα το AlphaGo με 4-1 το 2016;
- Γκάρι Κασπάροφ
- Λι Σέντολ
- Μάγκνους Κάρλσεν
- Ένας τυχαίος ερασιτέχνης
- Which three games did AlphaZero’s paper evaluate?
- Go, chess, and shogi
- Poker, bridge, and backgammon
- Atari, StarCraft, and Dota
- Only Go and chess
- Ποια μέθοδο αναζήτησης συνδυάζει το AlphaZero με το νευρωνικό του δίκτυο;
- Δυαδική αναζήτηση τηλεφωνικού καταλόγου
- Γραμμική παλινδρόμηση
- Ταξινόμηση φυσαλίδων
- Αναζήτηση δέντρων στο Μόντε Κάρλο
- Ποια δύο πράγματα προβλέπει το νευρωνικό δίκτυο του AlphaZero για να καθοδηγήσει την αναζήτησή του;
- Μια πολιτική (καλές κινήσεις) και μια αξία (ποιος κερδίζει)
- Ο καιρός και η ώρα
- Το όνομα και η ηλικία του αντιπάλου
- Χρώματα και ήχοι
- 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
- 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
- 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