Q:
Hoe draagt NeuroEvolution of Augmenting Topologies (NEAT) bij aan genetisch machinaal leren?
EEN:NeuroEvolution of Augmenting Topologies (NEAT) draagt bij aan het leren van genetische machines door een geavanceerd innovatief model te bieden op basis van de principes van genetische algoritmen die helpen bij het optimaliseren van netwerken volgens zowel de gewichten als de structuren van een netwerk.
Genetische algoritmen in het algemeen zijn kunstmatige intelligentie en machine learning-modellen die op een of andere manier gebaseerd zijn op het principe van natuurlijke selectie - modellen die werken door iteratieve verwerking van dat principe van het selecteren van het beste resultaat voor een bepaalde behoefte. Deze maken deel uit van een bredere categorie van "evolutionaire algoritmen" in wat professionals de "evolutionistische school" van machine learning noemden - een die sterk gestructureerd is rond biologische evolutionaire principes.
| Gratis download: machine learning en waarom het ertoe doet |
Het NeuroEvolution of Augmenting Topologies-netwerk is een Topology and Weight Evolving Artificial Neural Network (TWEAN) - het optimaliseert zowel de netwerktopologie als de gewogen inputs van het netwerk - opeenvolgende versies en functies van NEAT hebben geholpen dit algemene principe aan te passen aan specifieke toepassingen, inclusief het maken van videogamecontent en planning van robotsystemen.
Met hulpmiddelen zoals NeuroEvolution of Augmenting Topologies, kunnen kunstmatige neurale netwerken en vergelijkbare technologieën op een aantal van dezelfde manieren inhouden als het biologische leven op de planeet is geëvolueerd - de technologieën kunnen echter over het algemeen zeer snel en op veel geavanceerde manieren evolueren.
Bronnen zoals een NeuroEvolution of Augmenting Topologies-gebruikersgroep, een software-FAQ en andere elementen kunnen helpen een beter inzicht te krijgen in hoe NEAT werkt en wat het betekent in de context van evolutionair machinaal leren. Door de structuur van een netwerk te stroomlijnen en de inputgewichten te wijzigen, kan NEAT in essentie menselijke handlers van machine learning-systemen dichter bij hun doelen brengen, terwijl veel van de menselijke arbeid die betrokken is bij de installatie wordt geëlimineerd. Traditioneel, met eenvoudige feedforward neurale netwerken en andere vroege modellen, vertrouwde de structurering en instelling van gewogen inputs op menselijke training. Nu is het in hoge mate geautomatiseerd met deze systemen.
