Вікторина, пов’язана з посібником · Середній Рівень

Вікторина «Пошук дерева в Монте-Карло».

Перевіряє етапи ітерації MCTS, дослідження UCT, моделювання розгортання, вибір кореневого переміщення та те, як AlphaGo поєднує пошук із мережами.

Пов'язані напрямні шляхиПошук дерев Монте-Карло
Питання 1 з 8

Які чотири основні кроки ітерації пошуку дерев Монте-Карло?

Перегляньте кожне запитання8 запитання

Відповіді та пояснення з’являються під час виконання тесту.

  1. Які чотири основні кроки ітерації пошуку дерев Монте-Карло?
    • Відбір, розширення, моделювання, зворотне поширення
    • Сортувати, фільтрувати, об’єднувати, виводити
    • Кодувати, декодувати, відвідувати, передбачати
    • Навчання, перевірка, тестування, розгортання
  2. Що врівноважує формула відбору UCT?
    • Швидкість проти пам'яті
    • Експлуатація цінних ходів проти дослідження маловідвідуваних
    • Навчання проти висновку
    • Ширина проти глибини мережі
  3. У класичному MCTS, що відбувається під час етапу «симуляції» (розгортання)?
    • Дерево видалено
    • Нейронна мережа перенавчається
    • Гра розігрується до результату з нового вузла
    • Усі діти розгортаються одразу
  4. Яку роль відігравали мережі політики та оцінки AlphaGo у її пошуку MCTS?
    • Мережа політики обчислювала переходи, а мережа оцінки обирала кореневу дитину
    • Обидві мережі виконували випадкові розгортки без оцінки позицій
    • Мережа оцінки пропонувала легальні ходи, а мережа політики оцінювала кінцеві винагороди
    • Мережа політики керувала вибором ходу, а мережа оцінки оцінювала силу позиції; AlphaGo також використовувала політику розгортки
  5. Як MCTS зазвичай вибирає останній хід після багатьох ітерацій?
    • Дочірній елемент із найбільшою кількістю відвідувань
    • Ход із найвищою негайною винагородою
    • Випадкова дитина
    • Найглибший вузол у дереві
  6. Що робить MuZero помітним порівняно з AlphaZero?
    • Він не використовує нейронні мережі
    • Він вивчає власну модель середовища, тому може планувати, не маючи правил
    • Він грає лише в Go
    • Він відмовляється від пошуку дерева
  7. У показнику вибору UCT, що винагороджує член дослідження?
    • Лише дитину з найвищою сировою винагородою
    • Ходи, які вже обиралися найчастіше, незалежно від їхньої вартості
    • Дітей із меншою кількістю відвідувань відносно їхнього батька, що заохочує подальше вибіркове моделювання
    • Розмір кінцевої дошки випадкового розгортки
  8. Який крок ітерації MCTS додає нову дитину до наявного дерева?
    • Selection
    • Simulation
    • Зворотне поширення
    • Expansion