Qu’est-ce que l’élagage alpha bêta en intelligence artificielle?

Le mot élagage rappelle vraiment la coupe de branches, ou à ceux qui sont familiers avec la science des données, il rappelle le post et le pré-élagage dans les arbres. La taille alpha-bêta est essentiellement la taille des branches inutiles. Nous allons discuter des conseils suivants:

Dans ce blog, nous allons parler de l’élagage alpha-bêta et de la manière dont nous pouvons l’utiliser pour créer des stratégies dans des jeux avec plusieurs chemins. Chacun de ces chemins mène à un résultat différent. Lorsque nous avons une telle quantité de mouvements (par exemple aux échecs ou au sudoku), nous devons vraiment élaborer une stratégie de jeu d’une manière bien définie. Ces jeux finissent par évoluer et produisent un nombre étrangement élevé de résultats possibles. Nous devons donc réfléchir à la manière dont nous pouvons choisir le meilleur déménagement possible. Cela doit être réalisé sans perdre le temps qu’il a fallu aux chats pour peupler la Terre.

Algorithme Minmax

L’algorithme minimax est plus intuitif à comprendre en termes d’approche par force brute. Il essaie de voir tous les résultats possibles, puis essaie d’optimiser les options dont il dispose.

Tout comme Sudoku, nous pouvons essentiellement finir par générer un arbre composé de branches allant jusqu’à une profondeur contenant l’ensemble de tous les mouvements possibles effectués par le (s) joueur (s) dans le jeu. Nous allons ensuite devoir parcourir cet arbre.

Élagage alpha-bêta

Alpha Beta Pruning consiste à réduire la taille (taille) de notre arbre de recherche. Bien qu’une approche par force brute soit une approche plus facile à utiliser, cela ne signifie pas nécessairement que c’est l’approche la plus optimale. Souvent, il n’est pas nécessaire de visiter toutes les succursales possibles pour trouver la meilleure solution possible en main.

Nous devons donc fournir à l’algorithme min-max des critères d’arrêt à l’aide desquels il arrêterait de rechercher une région de l’arbre une fois qu’il trouve le minimum ou le maximum garanti à ce niveau. Cela empêcherait l’algorithme d’utiliser du temps de calcul supplémentaire, ce qui le rendrait beaucoup plus réactif et rapide.

L’algorithme min-max original effectue des traversées de l’arbre de gauche à droite tout en allant aussi à la profondeur la plus profonde possible de l’arbre. Il s’agit essentiellement d’une approche axée sur la profondeur. Il découvre ensuite les valeurs qui doivent être attribuées aux nœuds directement au-dessus, sans jamais regarder les autres branches de l’arbre.

Ainsi, l’ajout de la condition d’arrêt oblige min-max à prendre des décisions comme avant, mais cela optimise l’aspect performances de l’algorithme.

Dans l’image ci-dessous, nous avons un arbre avec différents scores attribués à chaque nœud. Certains nœuds sont ombrés en rouge, ce qui indique qu’il n’est pas nécessaire de les examiner.

En bas à gauche de l’arbre, minimax passe par les valeurs 5 et 6 au niveau max inférieur. Il détermine que 5 doit être attribué au niveau minimum juste au-dessus.

Mais, après avoir examiné 7 et 4 de la branche de niveau max à droite, il se rend compte que le nœud de niveau minimum ci-dessus doit avoir une valeur maximum de 4. Puisque le deuxième niveau maximum juste au-dessus du premier niveau minimum prendra le maximum entre 5 et au plus 4, il est clair qu’il choisira 5. Ensuite, il continuerait à parcourir l’arbre pour effectuer exactement le même ensemble d’opérations dans les autres branches de l’arbre.

En conclusion, nous pouvons facilement comprendre comment l’élagage alpha-bêta agit comme une excellente optimisation de l’algorithme min-max et comment ces algorithmes sont le fondement des techniques de recherche dans l’espace d’états, ouvrant la voie à des approches beaucoup plus avancées pour résoudre ce type de problème. problèmes.

Avec cela, nous arrivons à la fin de cet article sur l’élagage alpha bêta en intelligence artificielle.

Si vous souhaitez consulter d’autres articles sur les technologies les plus tendances du marché telles que l’intelligence artificielle, le DevOps, le piratage éthique, vous pouvez vous référer au site officiel d’Edureka.

Recherchez d’autres articles de cette série qui expliqueront les divers autres aspects du Deep Learning.

1. Tutoriel TensorFlow

2. Tutoriel PyTorch

3. Algorithme d’apprentissage Perceptron

4. Tutoriel sur le réseau neuronal

5. Qu’est-ce que la rétropropagation?

6. Réseaux de neurones convolutifs

7. Capsule Neural Networks

8. Réseaux de neurones récurrents

9. Tutoriel sur les auto-encodeurs

10. Tutoriel restreint sur la machine Boltzmann

11. PyTorch contre TensorFlow

12. Apprentissage profond avec Python

13. Tutoriel sur l’intelligence artificielle

14. Classification d’image TensorFlow

15. Applications d’intelligence artificielle

16. Comment devenir ingénieur en intelligence artificielle?

17. Apprentissage Q

18. Algorithme Apriori

19. Chaînes de Markov avec Python

20. Algorithmes d’intelligence artificielle

21. Meilleurs ordinateurs portables pour l’apprentissage automatique

22. Les 12 meilleurs outils d’intelligence artificielle

23. Questions d’entretien sur l’intelligence artificielle (IA)

24. Theano contre TensorFlow

25. Qu’est-ce qu’un réseau neuronal?

26. Reconnaissance de formes

27. Détection d’objets dans TensorFlow

Publié à l’origine sur www.edureka.co le 12 septembre 2019.