Donc si on veut reprendre notre algo génétique de base, l'individu aura de plus en plus de gène au fur et à mesure qu'on l'entrainera
Non, le nombre de gènes est immuable (chaque gêne correspond à un élément de ton algo de réponse, il est donc figé), par contre la combinaisons des gènes s'améliore de génération en génération par rapport à la solution cherchée.
'algo moulinera de plus en plus pour trouver un ensemble de poids corrects.
Non, le réseau de neurones ne retient pas l'ensemble des scénarios déjà joués (pas d'historique), chaque nouveau réajustement se fait en fonction des poids en place et du jeu en cours. On modifie _légèrement_ les poids pour les faire tendre vers la solution (ce qui fait qu'on ne change pas complètement notre comportement en un coup, et donc que le test précédent doit toujours être valable).
Mais il est possible qu'un cas de test OK au début devienne KO plus tard ...
Au bout du compte (en production) soit on fige les poids aux valeurs qui nous conviennent le mieux (95% succès ?), soit notre système continue d'apprendre (idéal dans un milieu évolutif) ...
Globalement, les deux systèmes fonctionnent sur le même principe, ce qui change, c'est la méthode de réajustement des variables.
[^] # Re: Bien
Posté par Guinns . En réponse au journal Des ordinateurs qui pensent.... Évalué à 1.
Non, le nombre de gènes est immuable (chaque gêne correspond à un élément de ton algo de réponse, il est donc figé), par contre la combinaisons des gènes s'améliore de génération en génération par rapport à la solution cherchée.
'algo moulinera de plus en plus pour trouver un ensemble de poids corrects.
Non, le réseau de neurones ne retient pas l'ensemble des scénarios déjà joués (pas d'historique), chaque nouveau réajustement se fait en fonction des poids en place et du jeu en cours. On modifie _légèrement_ les poids pour les faire tendre vers la solution (ce qui fait qu'on ne change pas complètement notre comportement en un coup, et donc que le test précédent doit toujours être valable).
Mais il est possible qu'un cas de test OK au début devienne KO plus tard ...
Au bout du compte (en production) soit on fige les poids aux valeurs qui nous conviennent le mieux (95% succès ?), soit notre système continue d'apprendre (idéal dans un milieu évolutif) ...
Globalement, les deux systèmes fonctionnent sur le même principe, ce qui change, c'est la méthode de réajustement des variables.