F:
Hur bidrar NeuroEvolution of Augmenting Topologies (NEAT) till genetisk maskininlärning?
A:NeuroEvolution of Augmenting Topologies (NEAT) bidrar till genetisk maskininlärning genom att tillhandahålla en banbrytande innovativ modell baserad på principerna för genetiska algoritmer som hjälper till att optimera nätverk både efter vikterna och strukturerna i ett nätverk.
Genetiska algoritmer i allmänhet är konstgjord intelligens och maskininlärningsmodeller som på något sätt bygger på principen om naturligt urval - modeller som arbetar med iterativ bearbetning av den principen att välja det bästa resultatet för ett givet behov. Dessa är en del av en bredare kategori av "evolutionära algoritmer" i vad professionella kallade "evolutionistskolan" för maskininlärning - en som är mycket strukturerad kring biologiska evolutionära principer.
| Gratis nedladdning: Machine Learning and Why It Matters |
NeuroEvolution of Augmenting Topologies-nätverket är ett Topology and Weight Evolving Artificial Neural Network (TWEAN) - det optimerar både nätverkstopologin och de viktade ingångarna i nätet - efterföljande versioner och funktioner i NEAT har bidragit till att anpassa denna allmänna princip till specifika användningar, inklusive skapande av videospel och innehållsplanering av robotsystem.
Med verktyg som NeuroEvolution of Augmenting Topologies kan konstgjorda nervnätverk och liknande tekniker involvera på några av samma sätt som det biologiska livet har utvecklats på planeten - men teknologierna kan i allmänhet utvecklas mycket snabbt och på många sofistikerade sätt.
Resurser som en NeuroEvolution of Augmenting Topologies-användargrupp, en mjukvarufråga och andra element kan hjälpa till att skapa en mer fullständig förståelse för hur NEAT fungerar och vad det betyder i samband med evolutionärt maskininlärning. I huvudsak, genom att effektivisera strukturen i ett nätverk och ändra insatsvikter, kan NEAT få mänskliga hanterare av maskininlärningssystem närmare sina mål, och samtidigt eliminera mycket av det mänskliga arbetet som är involverat i installationen. Traditionellt, med enkla feedforward neurala nätverk och andra tidiga modeller, strukturering och inställning av viktade insatser förlitade sig på mänsklig träning. Nu är det automatiserat med dessa system i hög grad.
