Test legat de ghid · Mediu Nivel

Testul de căutare a arborilor din Monte Carlo

Verifică etapele de iterație MCTS, explorarea UCT, simularea lansării, alegerea de mutare a rădăcinilor și modul în care AlphaGo a combinat căutarea cu rețelele.

Căi de ghidare aferenteCăutarea arborilor din Monte Carlo
Întrebare 1 de 8

Care sunt cei patru pași principali ai unei iterații Monte Carlo Tree Search?

Previzualizează fiecare întrebare8 întrebări

Răspunsurile și explicațiile apar pe măsură ce susțineți testul.

  1. Care sunt cei patru pași principali ai unei iterații Monte Carlo Tree Search?
    • Selectare, Extindere, Simulare, Backpropagare
    • Sortare, filtrare, îmbinare, ieșire
    • Codificați, decodificați, participați, preziceți
    • Antrenează, validează, testează, implementează
  2. Ce echilibrează formula de selecție UCT?
    • Viteza versus memorie
    • Exploatarea mișcărilor de mare valoare versus explorarea celor nevizitate
    • Antrenament versus inferență
    • Lățimea față de adâncimea rețelei
  3. În MCTS clasic, ce se întâmplă în timpul etapei de „simulare” (dezvoltare)?
    • Arborele este șters
    • Rețeaua neuronală este reantrenată
    • Jocul se desfășoară după un rezultat din noul nod
    • Toți copiii sunt extinși deodată
  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. După multe iterații, cum alege de obicei MCTS mișcarea finală pentru a juca?
    • Copilul rădăcină cu cele mai multe vizite
    • Mișcarea cu cea mai mare recompensă imediată
    • Un copil la întâmplare
    • Cel mai adânc nod din copac
  6. Ce face MuZero remarcabil în comparație cu AlphaZero?
    • Nu folosește rețele neuronale
    • Își învață propriul model de mediu, astfel încât să poată planifica fără să i se dea reguli
    • Joacă doar Go
    • Renunță la căutarea copacilor
  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
    • Propagarea inversă
    • Expansion