Cuestionario vinculado a una guía · Medio Nivel

Prueba de búsqueda de árboles de Montecarlo

Comprueba las etapas de iteración de MCTS, la exploración de UCT, la simulación de implementación, la elección de movimiento de raíz y cómo AlphaGo combinó la búsqueda con las redes.

Rutas de guía relacionadasBúsqueda de árboles de Montecarlo
Pregunta 1 de 8

¿Cuáles son los cuatro pasos principales de una iteración de búsqueda de árboles de Monte Carlo?

Vista previa de cada pregunta8 preguntas

Las respuestas y explicaciones aparecen a medida que realiza el cuestionario.

  1. ¿Cuáles son los cuatro pasos principales de una iteración de búsqueda de árboles de Monte Carlo?
    • Selección, Expansión, Simulación, Retropropagación
    • Ordenar, filtrar, fusionar, generar
    • Codificar, decodificar, atender, predecir
    • Entrene, valide, pruebe, implemente
  2. ¿Qué equilibra la fórmula de selección de la UCT?
    • Velocidad versus memoria
    • Explotación de movimientos de alto valor versus exploración de los menos visitados
    • Entrenamiento versus inferencia
    • Ancho versus profundidad de la red
  3. En MCTS clásico, ¿qué sucede durante el paso de "simulación" (implementación)?
    • El arbol esta eliminado
    • La red neuronal se reentrena
    • El juego se desarrolla según un resultado del nuevo nodo.
    • Todos los niños se expanden a la vez.
  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. Después de muchas iteraciones, ¿cómo suele elegir MCTS el movimiento final a realizar?
    • El root child con más visitas
    • El movimiento con mayor recompensa inmediata
    • un niño al azar
    • El nodo más profundo del árbol.
  6. ¿Qué hace que MuZero sea notable en comparación con AlphaZero?
    • No utiliza redes neuronales.
    • Aprende su propio modelo del entorno, por lo que puede planificar sin que le den las reglas.
    • Solo reproduce Go
    • Abandona la búsqueda de árboles
  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
    • Propagación hacia atrás
    • Expansion