P:
Com contribueix NeuroEvolution of Toping Augmenting (NEAT) a l’aprenentatge de màquines genètiques?
R:NeuroEvolution of Augmenting Topologies (NEAT) contribueix a l’aprenentatge de màquines genètiques proporcionant un model innovador d’avantguarda basat en els principis d’algoritmes genètics que ajuden a optimitzar les xarxes segons els pesos i les estructures d’una xarxa.
En general, els algoritmes genètics són models d’intel·ligència artificial i d’aprenentatge automàtic que d’alguna manera es basen en el principi de selecció natural - models que funcionen mitjançant processament iteratiu d’aquest principi de selecció del millor resultat per a una necessitat determinada. Aquests formen part d’una categoria més àmplia d ’“ algoritmes evolutius ”en allò que els professionals van anomenar“ escola evolucionista ”de l’aprenentatge de màquines, un que està molt estructurat entorn dels principis evolutius biològics.
| Descàrrega gratuïta: Aprenentatge automàtic i per què és important |
La xarxa NeuroEvolution of Augmenting Topologies és una Xarxa Neural Artificial Topològica i Evolutiva del Pes (TWEAN): optimitza tant la topologia de la xarxa com les entrades ponderades de la xarxa; versions posteriors i característiques de NEAT han ajudat a adaptar aquest principi general a usos específics, inclosa la creació de contingut de videojocs i la planificació de sistemes robotitzats.
Amb eines com la Neuroevolució de les topologies augmentadores, les xarxes neuronals artificials i tecnologies similars poden implicar de la mateixa manera que la vida biològica ha evolucionat al planeta. Tanmateix, les tecnologies en general poden evolucionar molt ràpidament i de moltes maneres sofisticades.
Recursos com un grup d’usuaris de NeuroEvolution of Topology Augmenting, un FAQ de programari i altres elements poden ajudar a comprendre com funciona NEAT i què significa en el context de l’aprenentatge evolutiu de màquines. Essencialment, racionalitzant l’estructura d’una xarxa i canviant els pesos d’entrada, NEAT pot apropar els gestors humans de sistemes d’aprenentatge de màquines als seus objectius, tot eliminant una gran part del treball humà implicat en la configuració. Tradicionalment, amb xarxes neuronals senzilles i d'altres models primerencs, l'estructuració i configuració dels inputs ponderats es basaven en l'entrenament humà. Ara, s’automatitza amb aquests sistemes en gran mesura.
