MCTS模拟阶段蒙特卡洛树模式如何快速下一盘棋？

蒙特卡罗解决问题的过程可以概括为三个主要过程：结构或描述概率过程；从已知概率分布中取样；创建各种估计量。蒙特卡罗解决问题的三个主要过程：（1）结构或描述概率过程（2）从已知概率分布取样（3）创建各种估计应用到期权，但不完全一样，因为有时太简单，如果蒙特卡罗过程本身偏离具体，就没有意义，所以二叉树是一个理想的状态。

如果你能知道你喜欢什么，感觉很好，就用手机。

MCTS怎么考？

1.MCTS认证只有一个考试内容，只要通过考试，就可以获得MCTS资格，但MCTS的开发设计要求考生必须先按70-536进行:TS:Microsoft .NET frameworkApplication Development Foundation，只有这样，我们才能获得开发设计的MCTS认证资格。参考资料主要是微软企业的TraingKit系列和MOC系列，还有Sybex的学习指南，考前最强化的是易证宝材料。

2.MCTS翻译是微软认证技术专家，是微软认证系统中最基本的证书，其证书水平相当于之前的MCP认证，作为MCP认证后续证书，MCTS代表对微软技术或产品有足够的专业能力，可以实施建设和管理（对于网络管理或系统管理人员） 或程序编写能力(对于开发者)。

mcts考试内容是什么？

1.MCTS认证只有一个考试内容，只要通过考试，就可以获得MCTS资格，但MCTS的开发设计要求考生必须先按70-536进行:TS:Microsoft .NET frameworkApplication Development Foundation，只有这样，我们才能获得开发设计的MCTS认证资格。参考资料主要是微软企业的TraingKit系列和MOC系列，还有Sybex的学习指南，考前最强化的是易证宝材料。

2.MCTS翻译是微软认证技术专家，是微软认证系统中最基本的证书，其证书水平相当于之前的MCP认证，作为MCP认证后续证书，MCTS代表对微软技术或产品有足够的专业能力，可以实施建设和管理（对于网络管理或系统管理人员） 或程序编写能力(对于开发者)。

搜索蒙特卡洛树 - 用蛮干抵抗智慧

搜索蒙特卡洛树（Monte Carlo tree search；简称：MCTS）它是一种启发式搜索算法，用于一些决策过程，最引人注目的是在游戏中的应用。一个关键的例子是计算机围棋程序，它也用于其他棋盘游戏、即时在线游戏及其不确定性游戏。

比如围棋，棋手一定要根据盘面的情况，选择下一步走哪个位置。

这个决策过程可以被认为是决策函数 a = f(s) ，即应对 可能状态s ， 决策函数f 会提供一个 行动a (落地位置)。自然，我们希望 f 尽可能好，它的决策a可以尽可能赢棋。 我们也可以把f结构变成决策树。从盘面初始状态开始（无棋盘），初始状态为根节点。第一手棋有19*19=361个位置。因此，根节点下有361个子节点，第二手棋有360个可能位置，即在361个节点下，每个节点有360个子节点...随着双方的落地，树枝越来越多，每个分支最终都会进入叶子状态(游戏结束后，黑胜或白胜)。

理论上，我们可以列出所有可能的情况，做一个完整的决策树，但事实上，这个数据太大了，无法完成。因此，我们应该在有限的时间和空间内有效地建造一棵子树，这是一棵不完整但不完整的子树 尽可能好的决策树 。 即使只是尽可能好的决定，也是非常困难的。

因为一步棋的质量一般不能马上判断，所以最终的评价需要在下一步才能决定谁赢。而且，即使赢了棋，也不代表每一步都好。 然而，无论如何，我们必须提供一些方法来让人工智能知道一步棋是怎样的，也就是说，我们必须提供一些 启发 ，所以我们可以采用蒙特卡洛树搜索的方法。 刚才我们说下一盘棋不能判断路线的好坏，但是如果下很多次呢？比如在特定盘面S1的前提下，进行n场比赛(然后S1盘面往后走)。如果统计得到更多的黑棋，说明S1的情况对黑棋更有利。

这就是蒙特卡洛的概念，用大量的随机事件来接近真实情况。 虽然蒙特卡罗法类似于估计一种情况，但我们仍然不能估计太多的情况。因此，我们应该有选择地集中精力估计决策树中可能更有价值的节点。

这就需要蒙特卡洛树搜索的应用，它提供了一个选择系统，让我们尽可能选择决策树中更有潜力的节点进行蒙特卡洛模拟，让树木尽可能集中在“更好”的策略上进行“成长”。 蒙特卡洛树搜索有四个关键过程： 从根节点R开始，选择连续的子节点到叶子节点L。蒙特卡洛树搜索的本质是将决策树扩展到最佳位置。也就是说，选择一个尽可能“有潜力”的树节点，那么什么样的节点有潜力呢？ 一是胜率高，二是考虑频率少 。

获胜率强的节点（情况）意味着最终获胜的机会更大。当然，我们应该花更多的精力来分析它的后续路线。调查频率较低的节点意味着节点（情况）没有得到充分研究，有可能成为黑马。 具体来说，一般采用UCB1（Upper Confidence Bound，上置信区间)公式计算节点的“潜力”： wi：第 i 移动后获胜的频率 ni：第 i 移动后模拟的次数 c：理论上，探索参数/衡量参数等于探索参数/衡量参数 根号2，在实践中，一般可以根据经验来选择 t：仿真总频率等于全部 ni 的和 看一个例子(参考 28 天自制你的 AlphaGo（五） ） 上图中的每个节点代表一种情况。而 A/B 代表这个节点被浏览 B 第二，黑棋胜利了 A 次。

例如，一开始的根节点是 12/21，代表一共模拟 21 第二，黑棋胜利了 12 次。 图中显示了蒙特卡洛树搜索的四个步骤。让我们看看左边第一棵树。（Selection）。假设根节点是去黑棋。所以每个人都必须先在那里 7/10、5/8、0/3 选择上述UCB1公式： 假定 C 相对较小(如C=1)，以上三个成绩为 1.25 1.245 1、所以我们选择了 7/10 节点(其得分1.25为最高)。

随后接下来 7/10 下边的 2/4 和 5/6 之间挑选。注意，因为目前是白棋，所以需要估计胜率。即图上黑棋的胜率是 2/4 和 5/6，白棋赢率为5/6， (1 - 2/4) 和 (1 - 5/6)： 那么应该选择白棋 2/4 节点。

(图上扩展的是 5/6 节点，这不是很合理)。 在选定的叶节点L中，如果你已经能够判断结果，比赛将结束，否则建立一个或多个子节点并选择其中一个节点C。 看中图第二棵树（Expansion），假设选择了黑棋(目前)叶节点 3/3，然后创建一个子节点，初始状态 0/0。

从节点C开始，使用随机对策进行游戏，直到输赢（获得准确的回报）。这一步也被称为playout或rollout。 虽然蒙特卡洛方法原则上是随机对策，但实际上也可以采用一些“有经验”的策略，或者两者的融合。所谓有经验的对策就像一个有一定水平的棋手，ta 能够下出一些更好的路线。

您可以在模拟的某个阶段选择棋手的路线，在其他阶段选择随机路线。 但一般来说，仿真必须快速完成，才能得到尽可能多的仿真结果，使统计结果接近真实赢率。 看中图第三棵树（Simulation），黑棋从 0/0 节点开始启动模拟游戏直到结束，假设黑棋输了，所以评分是 0/1。

应用随机游戏的结果，升级从C到R路径的节点信息。 看中图第四棵树（Backpropagation），从 0/0 该节点开始遍历父节点，直到根节点R，该方法中的每个节点都添加了一个 0/1。 当蒙特卡洛树建成后，必须用它来做决定时，选择浏览量大的节点，而不是胜率最高的节点，而不是UCB成绩最大的节点。 浏览量不够大的节点，即使赢率高，也不够可靠(因为模拟频率不够)。

浏览量大的节点通常有一定的赢率。想想UCB公式，如果赢率不高，就不会经常被选中(浏览量不会大)。因此，如果选择浏览量大的节点，人工智能的性能会更加稳定。

拿到微软的mcp和mcts证书能找到什么样的工作？

只是一个证书，不一定能得到什么样的工作。微软认证专家 (MCP = Microsoft Certified Professional) 可以证明行业对你的微软产品和技术知识和掌握程度的肯定。

MCTS证书可以认证你是微软认证技术的专家。

但在实际的工作场所要求中，你必须有学位文凭，至少是计算机专业的大学。这样，你就可以在专业的it企业中找到一份好工作。另一个建议是，不要相信一些培训机构的宣传，说你可以通过培训获得证书来获得高薪，这在现实中是非常困难的。建议上一所全日制学校来获得一份好工作。

毕竟光有学历和证书是不够的，也需要能力。

微软的MCP和MCTS证书用途大吗？

MCP是微软认证专家（Microsoft Certified Professional )简称英语，是美国微软企业建立的一套专家认证，也是全球公认的计算机技术高端人才认证体系，也是全球公认的计算机技术高端人才认证体系。如果一个人通过了MCP认证，至少说明他在掌握微软发布的特殊产品方面达到了高级专家的水平。