Gids-gekoppelde quiz · Middelmatig Niveau

AlphaGo en AlphaZero-quiz

Bekijk AlphaGo's expertgame- en zelfspeltraining, AlphaZero's op regels gebaseerde leren en zoeken, en MuZero's geleerde planningsmodel.

Gerelateerde gidspadenAlphago en Alphazero
Vraag 1 van 8

Waarom werd het spel Go als bijzonder moeilijk voor computers beschouwd?

Bekijk elke vraag8 vragen

Antwoorden en uitleg verschijnen terwijl je de quiz doet.

  1. Waarom werd het spel Go als bijzonder moeilijk voor computers beschouwd?
    • Het heeft een astronomisch groot aantal mogelijke posities
    • Er zijn zeer weinig mogelijke zetten
    • Het wordt alleen op papier gespeeld
    • Er zijn geen regels
  2. Wie versloeg AlphaGo in 2016 met 4-1?
    • Gary Kasparov
    • Lee Sedol
    • Magnus Carlsen
    • Een willekeurige amateur
  3. Welke drie spellen werden geëvalueerd in het AlphaZero-artikel?
    • Go, chess, and shogi
    • Poker, bridge, and backgammon
    • Atari, StarCraft, and Dota
    • Only Go and chess
  4. Welke zoekmethode koppelt AlphaZero aan zijn neurale netwerk?
    • Binair zoeken in een telefoonboek
    • Lineaire regressie
    • Bellensoort
    • Boom zoeken in Monte Carlo
  5. Welke twee dingen voorspelt het neurale netwerk van AlphaZero als leidraad voor de zoektocht?
    • Een beleid (goede zetten) en een waarde (wie wint)
    • Het weer en de tijd
    • De naam en leeftijd van de tegenstander
    • Kleuren en geluiden
  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