Кућа Аудио Како неуроеволуција повећаних топологија доприноси генетском машинском учењу?

Како неуроеволуција повећаних топологија доприноси генетском машинском учењу?

Anonim

П:

Како НеуроЕволуција повећаних топологија (НЕАТ) доприноси учењу генетских машина?

А:

НеуроЕволуција проширених топологија (НЕАТ) доприноси учењу генетских машина пружајући врхунски иновативни модел заснован на принципима генетских алгоритама који помажу у оптимизацији мрежа у складу са тежином и структуром мреже.

Генетски алгоритми су уопште модели вештачке интелигенције и машинског учења који се на неки начин заснивају на принципу природне селекције - модели који делују итеративном обрадом тог принципа одабира најбољег резултата за дату потребу. То су део шире категорије "еволуцијских алгоритама" у ономе што професионалци називају "еволуционистичком школом" машинског учења - оном који је високо структуиран око биолошких еволуцијских принципа.

Бесплатно преузимање: Машинско учење и зашто је то важно

НеуроЕволуција повећања тополошких мрежа је тополошка и вештачка неуронска мрежа (ТВЕАН) - она ​​оптимизује и топологију мреже и пондерисане улазе мреже - накнадне верзије и карактеристике НЕАТ-а помогле су да овај општи принцип прилагоди специфичној употреби, укључујући креирање садржаја за видео игре и планирање роботских система.

Помоћу алата попут НеуроЕволуције топологија повећања, вештачке неуронске мреже и сличне технологије могу да укључе неке исте начине на које се биолошки живот развио на планети - међутим, технологије се углавном могу развијати врло брзо и на много софистицираних начина.

Ресурси попут групе корисника НеуроЕволутион оф Аугментинг Топологиес, ​​софтверска питања и други елементи могу помоћи у изградњи потпунијег разумевања како НЕАТ ради и шта то значи у контексту еволуционог машинског учења. У основи, поједностављењем структуре мреже и променом улазних тежина, НЕАТ може људе који се баве системима машинског учења приближити њиховим циљевима, а притом елиминисати много људског рада укљученог у постављање. Традиционално, помоћу једноставних неуронских мрежа и других раних модела, структурирање и подешавање пондерираних инпута ослањало се на обуку људи. Сада је аутоматизован са овим системима у великој мери.

Како неуроеволуција повећаних топологија доприноси генетском машинском учењу?