| Summary: | Tässä tutkielmassa käsittelen Monte Carlo -puuhakualgoritmia sekä sen roolia hyvin menestyneessä AlphaGo-tekoälyssä. Tavoitteena oli muodostaa kokonaiskuva AlphaGo:n toiminnasta, painottuen etenkin Monte Carlo -puuhaun näkökulmaan. Tutkimuksen
perusteella selvisi miten ohjelma hyödyntää omassa hakualgoritmissään kyseistä puuhakua,
jota se parantaa hyödyntäen koneoppimista ja useita eri tarkoituksiin opetettuja neuroverkkoja. AlphaGo saavutti näin tehokkuuden, johon muut go-ohjelmat eivät vielä ole kyenneet.
In this thesis I study the Monte Carlo tree search algorithm, and it’s role in successful go-program, AlphaGo. The goal was to form a general view of AlphaGo’s inner workings,
especially from Monte Carlo tree search’s point of view. I found out how the program’s own
search algorithm used Monte Carlo’s basic structure, improving it with machine learning and
neural networks trained for different purposes, thus obtaining the efficiency none of the other go-programs have yet to achieve.
|
|---|