AlphaGo结合了监督学习和强化学习的优势，通过训练形成一个策略网络，阿尔法狗团队从在线围棋对战平台KGS上获取了16万局人类棋手的对弈棋谱，并从中采样了3000万个样本作为训练样本。将棋盘上的局势作为输入信息，并对所有可行的落子位置生成一个概率分布。然后，训练出一个价值网络对自我对弈进行预测，预测所有可行落子位置的结果
√
举一反三
- 中国大学MOOC: 机器学习是AlphaGo取胜的关键，AlphaGo结合了（）的优势，通过训练形成一个策略网络，阿尔法狗团队从在线围棋对战平台KGS上获取了16万局人类棋手的对弈棋谱，并从中采样了3000万个样本作为训练样本。
- 机器学习是AlphaGo取胜的关键，AlphaGo结合了（）的优势，通过训练形成一个策略网络，阿尔法狗团队从在线围棋对战平台KGS上获取了16万局人类棋手的对弈棋谱，并从中采样了3000万个样本作为训练样本。 A: 无监督学习和强化学习 B: 监督学习和强化学习 C: 半监督学习和强化学习 D: 强化学习
- k近邻学习是一种常用的无监督学习方法，其工作机制为：给定测试样本，基于某种距离度量找出训练集中与其最靠近的k个训练样本，然后基于这k个“邻居”的信息来进行预测（）
- K近邻方法的核心思想是对一个预测样本A，从训练数据集中找到与其最相似的k个样本，利用这个k个样本的类别来决策该样本A的类别。
- AlphaGo框架中利用大量棋谱来训练深度卷积网络，得到策略网络，同时通过强化学习来提高策略网络的能力
内容
- 0
AlphaGo通过以下哪两个不同神经网络合作来改进下棋() A: “策略网络”，它主要作用是观察棋盘布局企图找到最佳的下一步。 B: “价值网络”预测每一个棋手赢棋的可能，在给定棋子位置情况下，通过整体局面判断来辅助落子选择器，预测游戏的赢家。 C: 综合网络，估计下一步的结果。 D: 通过和其他棋手竞赛来改进下棋。
- 1
正步训练一共有（ ）个训练步骤。
- 2
以下关于AlphaGo内部逻辑的描述，最可能正确的是（ ） A: 构造一个价值网络和策略网络，探索同时具备高潜在价值和高可能性的最佳落子位置 B: 模拟人类下棋时的决策思维，根据盘面布局中的“眼”“气”等决定落子位 C: 根据人类专家建立显性的决策规则，建立决策树一类的模型，根据局部形势决策落子位置 D: 建立博弈模型和收益矩阵，对每个可能的落子位置进行对抗性分析，从而确定落子位置
- 3
围棋棋盘一共有（）个交叉点。
- 4
（ ）利用已知类别的样本，训练学习得到一个最优模型，使其达到所要求性能，再利用这个训练所得模型对未知数据进行分类。 A: 强化学习 B: 半监督学习 C: 无监督学习 D: 监督学习