« Fouille arborescente Monte Carlo » : différence entre les versions


mAucun résumé des modifications
Balise : Éditeur de wikicode 2017
Aucun résumé des modifications
Balise : Éditeur de wikicode 2017
Ligne 1 : Ligne 1 :
== Domaine ==
== Domaine ==
[[Category:Vocabulary]]<br/>
[[Category:Intelligence artificielle]]Intelligence artificielle<br/>
[[Category:Intelligence artificielle]]Intelligence artificielle<br/>
[[Category:Résolution de problèmes]]Résolution de problèmes<br/>
[[Category:Résolution de problèmes]]Résolution de problèmes<br/>
Ligne 18 : Ligne 16 :
== Français ==
== Français ==


<h3>
'''fouille arborescente Monte Carlo '''
<poll> Choisissez parmi ces termes proposés :
fouille arborescente Monte Carlo  
recherche arborescente Monte Carlo
</poll>
</h3>
<h3>Discussion:</h3> Pour le moment, le terme privilégié est «fouille arborescente Monte Carlo». <br>


Source:
'''recherche arborescente Monte Carlo '''


https://fr.wikipedia.org/wiki/Recherche_arborescente_Monte-Carlo




== Anglais ==
== Anglais ==


=== Monte Carlo tree search ===
'''Monte Carlo tree search '''
In computer science, Monte Carlo tree search (MCTS) is a heuristic search algorithm for some kinds of decision processes, most notably those employed in game play. Two leading examples of Monte Carlo tree search are the computer game Total War: Rome II's implementation in their high level campaign AI[1] and recent computer Go programs,[2] followed by chess and shogi[3], as well as real-time video games and games with incomplete information such as poker (see history section).
 
 


<br/>
[https://fr.wikipedia.org/wiki/Recherche_arborescente_Monte-Carlo  Source: Wikipedia ]
<br/>
<br/>
<br/>
<br/>
<br/>
<br/>

Version du 13 mai 2019 à 22:32

Domaine

Intelligence artificielle
Résolution de problèmes
Algorithme de fouille
Coulombe
Scotty

Définition

En intelligence artificielle, la fouille arborescente Monte Carlo est un algorithme de recherche heuristique dans un arbre pour la prise de décision. Il est notamment employé dans les jeux.

Chaque nœud de l'arbre de fouille mémorise deux nombres: le nombre de simulations gagnantes, et le nombre de simulations totales. L'algorithme de fouille arborescente Monte Carlo comporte quatre étapes: 1) Sélection: Choix d'un noeud feuille enfant en maintenant un compromis entre l'exploitation des noeuds prometteurs et l'exploration des noeuds moins visités. 2) Expansion: Si le noeud feuille visité n'est pas final, création d'un (ou plusieurs) enfant(s) en appliquant les règles du jeu et choix l'un des noeuds enfants. 3) Simulation: Simulation d'une partie au hasard depuis le noeud enfant, jusqu'à une configuration finale. 4) Rétropropagation (Backpropagation): Mise à jour des informations sur la branche partant du noeud enfant vers la racine en tenant compte du résultat de la simulation de la partie au hasard à l'étape 3.

On peut citer l'utilisation de la fouille arborescente Monte Carlo en combinaison avec des réseaux de neurones profonds dans le programme AlphaGo de Deepmind qui a battu des champions au jeu de Go.

Français

fouille arborescente Monte Carlo

recherche arborescente Monte Carlo


Anglais

Monte Carlo tree search


Source: Wikipedia

Récupérée de « https://datafranca.org/wiki/index.php?title=Fouille_arborescente_Monte_Carlo&oldid=9912 »


Contributeurs: Claude Coulombe, Jacques Barolet, wiki