Kuiz berkaitan panduan · Sederhana Tahap

Kuiz AlphaGo dan AlphaZero

Semak latihan permainan pakar dan permainan kendiri AlphaGo, pembelajaran dan carian berasaskan peraturan AlphaZero dan model pembelajaran MuZero untuk perancangan.

Laluan panduan yang berkaitanAlphago Dan Alphazero
soalan 1 daripada 8

Mengapakah permainan Go dianggap sukar untuk komputer?

Pratonton setiap soalan8 soalan

Jawapan dan penjelasan muncul semasa anda mengambil kuiz.

  1. Mengapakah permainan Go dianggap sukar untuk komputer?
    • Ia mempunyai bilangan kedudukan yang besar secara astronomi
    • Ia mempunyai sangat sedikit kemungkinan pergerakan
    • Ia dimainkan hanya di atas kertas
    • Ia tidak mempunyai peraturan
  2. Siapa yang terkenal dengan kekalahan AlphaGo 4-1 pada 2016?
    • Garry Kasparov
    • Lee Sedol
    • Magnus Carlsen
    • Seorang amatur rawak
  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. Kaedah carian manakah yang AlphaZero berpasangan dengan rangkaian sarafnya?
    • Carian binari buku telefon
    • Regresi linear
    • Isih gelembung
    • Carian Pokok Monte Carlo
  5. Apakah dua perkara yang diramalkan oleh rangkaian saraf AlphaZero untuk membimbing cariannya?
    • Dasar (pergerakan yang baik) dan nilai (siapa yang menang)
    • Cuaca dan masa
    • Nama dan umur lawan
    • Warna dan bunyi
  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