На самом деле, ей уже больше года... Но массово заговорили про нее почему-то только сейчас. Пруф: h… — Евгений на vc.ru

Not Boring Tech

Расшифровка скрытого текста и «говорящая» розетка: лучшие нейронные сети 2020-ого

В этом году действительно сложно подводить итоги в сфере нейросетей — она была очень богата на события в 2020-ом. Но для этой статьи я попытался подобрать лучшие и выдающиеся по моему мнению нейросети уходящего года только с открытым исходным кодом, а в конце поделюсь мыслями о дальнейшем направлении разработок нейросетей и алгоритмов.

Читать далее

2828

Круто, спасибо!

Я бы еще отметил MuZero, ворвавшуюся прямо под конец года

MuZero: Mastering Go, chess, shogi and Atari without rules

In 2016, we introduced AlphaGo, the first artificial intelligence (AI) program to defeat humans at the ancient game of Go. Two years later, its successor - AlphaZero - learned from scratch to master Go, chess and shogi. Now, in a paper in the journal Nature, we describe MuZero, a significant step forward in the pursuit of general-purpose algorithms. MuZero masters Go, chess, shogi and Atari without needing to be told the rules, thanks to its ability to plan winning strategies in unknown environments.

4

Ответить

На самом деле, ей уже больше года... Но массово заговорили про нее почему-то только сейчас.
Пруф: https://arxiv.org/abs/1911.08265

Я сам начал экспериментировать с ней после этой статьи, датированной декабрём 2019:
https://medium.com/applied-data-science/how-to-build-your-own-muzero-in-python-f77d5718061a

PS. С наступившим 🥳🥂🍾

How To Build Your Own MuZero AI Using Python (Part 1/3)

Teaching A Machine To Play Games Using Self-Play And Deep Learning…Without Telling It The Rules 🤯

Mastering Atari, Go, Chess and Shogi by Planning with a Learned Model

Constructing agents with planning capabilities has long been one of the main challenges in the pursuit of artificial intelligence. Tree-based planning methods have enjoyed huge success in challenging domains, such as chess and Go, where a perfect simulator is available. However, in real-world problems the dynamics governing the environment are often complex and unknown. In this work we present the MuZero algorithm which, by combining a tree-based search with a learned model, achieves superhuman performance in a range of challenging and visually complex domains, without any knowledge of their underlying dynamics. MuZero learns a model that, when applied iteratively, predicts the quantities most directly relevant to planning: the reward, the action-selection policy, and the value function. When evaluated on 57 different Atari games - the canonical video game environment for testing AI techniques, in which model-based planning approaches have historically struggled - our new algorithm achieved a new state of the art. When evaluated on Go, chess and shogi, without any knowledge of the game rules, MuZero matched the superhuman performance of the AlphaZero algorithm that was supplied with the game rules.

2

Ответить