Test legat de ghid · Mediu Nivel

AlphaGo și AlphaZero Quiz

Examinați antrenamentul AlphaGo pentru jocuri de experți și auto-play, învățarea și căutarea bazate pe reguli AlphaZero și modelul învățat de planificare al lui MuZero.

Căi de ghidare aferenteAlphago și Alphazero
Întrebare 1 de 8

De ce jocul Go a fost considerat deosebit de greu pentru computere?

Previzualizează fiecare întrebare8 întrebări

Răspunsurile și explicațiile apar pe măsură ce susțineți testul.

  1. De ce jocul Go a fost considerat deosebit de greu pentru computere?
    • Are un număr astronomic mare de poziții posibile
    • Are foarte puține mișcări posibile
    • Se joacă doar pe hârtie
    • Nu are reguli
  2. Cine a învins AlphaGo cu 4-1 în 2016?
    • Garry Kasparov
    • Lee Sedol
    • Magnus Carlsen
    • Un amator la întâmplare
  3. Care trei jocuri a evaluat lucrarea AlphaZero?
    • Go, chess, and shogi
    • Poker, bridge, and backgammon
    • Atari, StarCraft, and Dota
    • Only Go and chess
  4. Ce metodă de căutare se asociază AlphaZero cu rețeaua sa neuronală?
    • Căutare binară a unei agende de telefon
    • Regresia liniară
    • Sortare cu bule
    • Căutarea arborilor din Monte Carlo
  5. Ce două lucruri prezice rețeaua neuronală AlphaZero pentru a-și ghida căutarea?
    • O politică (mișcări bune) și o valoare (cine câștigă)
    • Vremea și ora
    • Numele și vârsta adversarului
    • Culori și sunete
  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