Q:
Hvordan bidrager NeuroEvolution of Augmenting Topologies (NEAT) til genetisk maskinindlæring?
EN:NeuroEvolution of Augmenting Topologies (NEAT) bidrager til genetisk maskinlæring ved at tilvejebringe en avanceret innovativ model baseret på principperne for genetiske algoritmer, der hjælper med at optimere netværk i henhold til både vægten og strukturen i et netværk.
Genetiske algoritmer generelt er kunstig intelligens og maskinlæringsmodeller, der på en eller anden måde er baseret på princippet om naturlig udvælgelse - modeller, der fungerer ved iterativ behandling af dette princip for at vælge det bedste resultat til et givet behov. Disse er en del af en bredere kategori af "evolutionære algoritmer" i hvad fagfolk kaldte "evolutionistisk skole" for maskinlæring - en, der er meget struktureret omkring biologiske evolutionære principper.
| Gratis download: Machine Learning og Why It Matters |
NeuroEvolution of Augmenting Topologies-netværket er et topologi og vægtudviklende kunstigt neuralt netværk (TWEAN) - det optimerer både netværkstopologien og de vægtede input i netværket - efterfølgende versioner og funktioner i NEAT har bidraget til at tilpasse dette generelle princip til specifikke anvendelser, herunder oprettelse af videoindhold og planlægning af robotsystemer.
Med værktøjer som NeuroEvolution of Augmenting Topologies, kunstige neurale netværk og lignende teknologier kan involvere på nogle af de samme måder, som det biologiske liv har udviklet sig på planeten - dog kan teknologierne generelt udvikle sig meget hurtigt og på mange sofistikerede måder.
Ressourcer som en NeuroEvolution of Augmenting Topologies-brugergruppe, en FAQ med software og andre elementer kan hjælpe med at opbygge en mere forståelse af, hvordan NEAT fungerer, og hvad det betyder i forbindelse med evolutionær maskinlæring. I det væsentlige ved at strømline strukturen i et netværk og ændre inputvægte, kan NEAT få menneskelige handlere af maskinlæringssystemer tættere på deres mål, samtidig med at man fjerner meget af den menneskelige arbejdskraft involveret i opsætningen. Traditionelt, med enkle feedforward neurale netværk og andre tidlige modeller, var strukturering og indstilling af vægtede input afhængig af menneskelig træning. Nu er det automatiseret med disse systemer i høj grad.
