Q:
Hvordan bidrar NeuroEvolution of Augmenting Topologies (NEAT) til genetisk maskinlæring?
EN:NeuroEvolution of Augmenting Topologies (NEAT) bidrar til genetisk maskinlæring ved å tilveiebringe en nyskapende modell basert på prinsippene for genetiske algoritmer som bidrar til å optimalisere nettverk i henhold til både vekten og strukturen i et nettverk.
Genetiske algoritmer generelt er kunstig intelligens og maskinlæringsmodeller som på noen måte er basert på prinsippet om naturlig seleksjon - modeller som fungerer etter iterativ prosessering av det prinsippet for å velge det beste resultatet for et gitt behov. Dette er en del av en bredere kategori av "evolusjonsalgoritmer" i det fagfolk kalte "evolusjonistisk skole" for maskinlæring - en som er svært strukturert rundt biologiske evolusjonsprinsipper.
| Gratis nedlasting: Machine Learning og Why It Matters |
NeuroEvolution of Augmenting Topologies-nettverket er et Topology and Weight Evolving Artificial Neural Network (TWEAN) - det optimaliserer både nettverkstopologien og de vektede inngangene i nettverket - påfølgende versjoner og funksjoner av NEAT har bidratt til å tilpasse dette generelle prinsippet til spesifikke bruksområder, inkludert oppretting og planlegging av videospillinnhold av robot systemer.
Med verktøy som NeuroEvolution of Augmenting Topologies, kunstige nevrale nettverk og lignende teknologier kan involvere på noen av de samme måtene som biologisk liv har utviklet seg på planeten - men teknologiene kan generelt utvikle seg veldig raskt og på mange sofistikerte måter.
Ressurser som en brukergruppe av NeuroEvolution of Augmenting Topologies, en FAQ om programvare og andre elementer kan bidra til å bygge en fullstendig forståelse av hvordan NEAT fungerer og hva det betyr i forbindelse med evolusjonær maskinlæring. Ved å strømlinjeforme strukturen i et nettverk og endre inngangsvekter, kan NEAT få menneskelige håndtere av maskinlæringssystemer nærmere målene sine, samtidig som de eliminerer mye arbeidskraft involvert i oppsettet. Tradisjonelt, med enkle fremtidige nevrale nettverk og andre tidlige modeller, var strukturering og innstilling av vektede innganger avhengige av menneskelig trening. Nå er det automatisert med disse systemene i høy grad.
