La pregunta es un poco ambigua: ¿te refieres a competir en 20 preguntas? Eso es lo que supongo.
La respuesta es: ninguno de los dos es adecuado. Esto es algo más como un sistema de razonamiento, más como el Watson de IBM.
Por lo tanto, necesita algo así como un gráfico de conocimiento que sepa acerca de los objetos y sus propiedades (“Obama es un presidente”, “Un presidente es un humano”, “Un humano tiene dos piernas”, etc., etc.). Luego, necesita una lista de plantillas de preguntas (por ejemplo, “¿Es este mineral vegetal animal”, etc.).
- ¿Por qué y cuándo subestima 'varianza de Bayes variacional de campo'?
- Después de la selección de características utilizando el método de rankeador, WEKA, el número de atributos en el conjunto de prueba es diferente del conjunto de entrenamiento. ¿Cómo los comparas?
- Cómo modelar el problema de un número de generación matka usando machine learning
- ¿Cómo estimar la divergencia KL si no se conoce el posterior? En inferencia variacional, KL se utiliza para encontrar una distribución que se aproxime al verdadero posterior, pero el KL requiere conocer el posterior mismo. ¿Cómo se trata esto?
- ¿Qué es el procesamiento del lenguaje natural en términos simples?
Luego usaría un enfoque de aprendizaje de refuerzo (que podría usar redes neuronales) para aprender qué tipos de preguntas hacer y en qué orden. Podrías emplear mucho juego propio (un “oráculo” elige objetos y responde preguntas sobre).
Entonces ninguno (solo) es muy adecuado. Para una parte de la solución, potencialmente, podría usar redes neuronales. Pero es solo una pequeña parte de la solución.
