Conférence / Livre sur AlphaGo / AlphaZero

Je suis très intéressé par la façon dont AlphaGo resp. AlphaZero fonctionne. Il me semble que les documents Google associés sont très denses et difficiles à lire.

Y a-t-il un manuel ou une conférence qui explique au niveau technique comment tout cela fonctionne? C'est-à-dire en commençant par les réseaux de neurones / l'apprentissage profond, Monte Carlo Tree Search jusqu'à atteindre AlphaGo / AlphaZero?

J'ai un master en informatique, mais je n'ai jamais travaillé avec l'intelligence artificielle / l'apprentissage automatique.

À l'heure actuelle, il me semble que toutes les informations connexes sont dispersées, et je n'ai pas le temps d'écouter des conférences (en ligne) sur l'apprentissage automatique qui ne contiennent peut-être que 10% de ce qui est pertinent pour comprendre AlphaGo ...

Quelqu'un peut me diriger dans la bonne direction?

ÉDITER

Le lien de @ unutbu dans le commentaire est une bonne lecture d'introduction.

Une bonne compréhension d'AlphaZero nécessite très probablement un diplôme quantitatif (PhD?). Demandez-vous un cours intensif dans AlphaZero?

Veuillez noter que sauf si vous investissez une grande partie de votre temps, rien de ce que je dis ne fonctionnera. Aucun livre ne peut tout couvrir. Vous devrez travailler très dur.

Essayons. Cours intensif pour AlphaZero.

1. Compréhension de base de l'apprentissage automatique

Un nombre incalculable de livres. Mais si vous n'avez pas le temps, je recommanderais les cours d'apprentissage automatique du professeur Andrew Ng sur Coursera.

Vos mots clés: ensembles d'entraînement, ensembles de test, descente de gradient stochastique, taux d'apprentissage, GPU, fonction de coût, entropie croisée .

2. Réseaux neutres profonds

Vous devez comprendre les réseaux de neurones. Je recommanderais le livre d'apprentissage approfondi du professeur Ian Goodfellow si vous êtes sérieux. Si vous n'avez pas le temps, veuillez à nouveau suivre le cours en ligne du professeur Andrew Ng sur Coursera. Vous n'êtes pas obligé de parcourir tous les chapitres (mais vous devriez!).

YouTube propose de nombreuses présentations rapides des réseaux de neurones, essayez-les.

Vos mots clés: neurone, couches, poids, biais, mini-batch, activation .

3. Monte Carlo Tree Search

Vous devez comprendre ce qu'est Monte Carlo. Des livres sur Monte-Carlo sont partout sur Amazon. Lisez le wikipedia sur les SCTM si vous n'avez pas le temps.

Vos mots clés: échantillonnage, expansion, simulation, déploiements, rétropropagation .

3. Apprentissage par renforcement

• https://www.quora.com/What-is-the-REINFORCE-algorithm
• http://www.scholarpedia.org/article/Policy_gradient_methods

Vos mots clés: gradient politique, descente de gradient, taux d'apprentissage

5. Représentation de l'échiquier

Le papier lui-même est le plus simple. Le modèle code l'état de la carte (par exemple des pièces) sous la forme d'une série de valeurs binaires de codage à chaud.

6. SCTM vs alpha-bêta

Je n'ai pas assez de réputation pour commenter, mais AlphaGo Zero expliqué dans un diagramme est assez bon.

J'aime aussi beaucoup ce tutoriel.

Notez que le premier lien ne décrit pas quand créer (développer) des nœuds. Cette partie peut être un peu déroutante. Ce lien peut vous aider.

Cette présentation résume le voyage vers AlphaGo

Ceci est une présentation de la théorie sous-jacente

C'est le livre

De plus, je suppose, n'importe quoi sur les réseaux neuronaux convolutionnels profonds.