Q:
Comment NeuroEvolution of Augmenting Topologies (NEAT) contribue-t-il à l'apprentissage machine génétique?
UNE:NeuroEvolution of Augmenting Topologies (NEAT) contribue à l'apprentissage machine génétique en fournissant un modèle innovant de pointe basé sur les principes des algorithmes génétiques qui aident à optimiser les réseaux en fonction à la fois des poids et des structures d'un réseau.
Les algorithmes génétiques en général sont des modèles d'intelligence artificielle et d'apprentissage automatique qui sont en quelque sorte basés sur le principe de la sélection naturelle - des modèles qui fonctionnent par traitement itératif de ce principe de sélection du meilleur résultat pour un besoin donné. Ceux-ci font partie d'une catégorie plus large d '«algorithmes évolutionnaires» dans ce que les professionnels ont appelé «l'école évolutionniste» de l'apprentissage automatique - une école fortement structurée autour de principes évolutionnaires biologiques.
| Téléchargement gratuit: apprentissage automatique et pourquoi c'est important |
Le réseau NeuroEvolution of Augmenting Topologies est un réseau de neurones artificiels topologiques et évolutifs (TWEAN) - il optimise à la fois la topologie du réseau et les entrées pondérées du réseau - les versions et fonctionnalités ultérieures de NEAT ont contribué à adapter ce principe général à des utilisations spécifiques, y compris la création de contenu de jeux vidéo et la planification de systèmes robotiques.
Avec des outils comme NeuroEvolution of Augmenting Topologies, les réseaux de neurones artificiels et les technologies similaires peuvent impliquer de la même manière que la vie biologique a évolué sur la planète - cependant, les technologies peuvent généralement évoluer très rapidement et de nombreuses façons sophistiquées.
Des ressources telles qu'un groupe d'utilisateurs NeuroEvolution of Augmenting Topologies, une FAQ logicielle et d'autres éléments peuvent aider à mieux comprendre comment NEAT fonctionne et ce que cela signifie dans le contexte de l'apprentissage automatique évolutif. Essentiellement, en rationalisant la structure d'un réseau et en modifiant les poids d'entrée, NEAT peut rapprocher les gestionnaires humains des systèmes d'apprentissage automatique de leurs objectifs, tout en éliminant une grande partie du travail humain impliqué dans la configuration. Traditionnellement, avec de simples réseaux de neurones à action directe et d'autres modèles précoces, la structuration et la définition des entrées pondérées reposaient sur la formation humaine. Maintenant, il est automatisé avec ces systèmes à un haut degré.
