D:
In che modo NeuroEvolution of Augmenting Topologies (NEAT) contribuisce all'apprendimento automatico genetico?
UN:NeuroEvolution of Augmenting Topologies (NEAT) contribuisce all'apprendimento automatico genetico fornendo un modello innovativo all'avanguardia basato sui principi degli algoritmi genetici che aiutano a ottimizzare le reti in base sia ai pesi che alle strutture di una rete.
Gli algoritmi genetici in generale sono modelli di intelligenza artificiale e apprendimento automatico che si basano in qualche modo sul principio della selezione naturale - modelli che funzionano mediante l'elaborazione iterativa di quel principio di selezione del miglior risultato per un determinato bisogno. Questi fanno parte di una categoria più ampia di "algoritmi evolutivi" in quella che i professionisti chiamavano la "scuola evoluzionista" dell'apprendimento automatico - una struttura altamente strutturata attorno ai principi dell'evoluzione biologica.
| Download gratuito: Machine Learning e perché è importante |
La rete NeuroEvolution of Augmenting Topologies è una rete neurale artificiale di topologia e peso in evoluzione (TWEAN) - ottimizza sia la topologia di rete sia gli input ponderati della rete - le versioni e le funzionalità successive di NEAT hanno contribuito ad adattare questo principio generale ad usi specifici, compresa la creazione di contenuti per videogiochi e la pianificazione di sistemi robotici.
Con strumenti come NeuroEvolution of Augmenting Topologies, reti neurali artificiali e tecnologie simili possono coinvolgere in alcuni degli stessi modi in cui la vita biologica si è evoluta sul pianeta - tuttavia, le tecnologie possono generalmente evolversi molto rapidamente e in molti modi sofisticati.
Risorse come un gruppo di utenti NeuroEvolution of Augmenting Topologies, una FAQ sul software e altri elementi possono aiutare a costruire una comprensione più completa di come funziona NEAT e cosa significa nel contesto dell'apprendimento automatico evolutivo. In sostanza, razionalizzando la struttura di una rete e modificando i pesi di input, NEAT può avvicinare i gestori umani dei sistemi di apprendimento automatico ai loro obiettivi, eliminando gran parte del lavoro umano coinvolto nell'installazione. Tradizionalmente, con semplici reti neurali feedforward e altri primi modelli, la strutturazione e l'impostazione di input ponderati si basava sull'allenamento umano. Ora, è automatizzato con questi sistemi in larga misura.
