Математический форум Math Help Planet
Обсуждение и решение задач по математике, физике, химии, экономике Теоретический раздел |
Часовой пояс: UTC + 3 часа [ Летнее время ] |
новый онлайн-сервис число, сумма и дата прописью |
|
Часовой пояс: UTC + 3 часа [ Летнее время ] |
Страница 2 из 2 |
[ Сообщений: 13 ] | На страницу Пред. 1, 2 |
|
Автор | Сообщение | |
---|---|---|
Booker48 |
|
|
|
||
Вернуться к началу | ||
ivashenko |
|
|
Система - это то, что генерирует случайный образ, её ни нет, ни есть. Она и есть, и нет. В общем когда она есть, то её уже нет )))
https://youtu.be/e5WxxvjR9c4?t=17 |
||
Вернуться к началу | ||
vityoki |
|
|
Да, можно определить число с какой-то долей вероятности. Сначала смотришь на эти числа, и если сквозь них видна какая-то модель ( линейная, полиномиальная, может еще какая-фигура ), то строишь на этих данных модель и предсказываешь область других чисел.
Это подход и из теории вероятностей и из нейросетей ( есть класс задач с предсказанием ). Есть замечание из книги “Hands-On Machine Learning with Scikit-Learn and TensorFlow by Aurélien Géron (O’Reilly). Copyright 2017 Aurélien Géron, 978-1-491-96229-9.” NO FREE LUNCH THEOREM A model is a simplified version of the observations. The simplifications are meant to discard the superfluous details that are unlikely to generalize to new instances. However, to decide what data to discard and what data to keep, you must make assumptions. For example, a linear model makes the assumption that the data is fundamentally linear and that the distance between the instances and the straight line is just noise, which can safely be ignored. In a famous 1996 paper, 11 David Wolpert demonstrated that if you make absolutely no assumption about the data, then there is no reason to prefer one model over any other. This is called the No Free Lunch (NFL) theorem. For some datasets the best model is a linear model, while for other datasets it is a neural network. There is no model that is a priori guaranteed to work better (hence the name of the theorem). The only way to know for sure which model is best is to evaluate them all. Since this is not possible, in practice you make some reasonable assumptions about the data and you evaluate only a few reasonable models. For example, for simple tasks you may evaluate linear models with various levels of regularization, and for a complex problem you may evaluate various neural networks. |
||
Вернуться к началу | ||
На страницу Пред. 1, 2 | [ Сообщений: 13 ] |
Часовой пояс: UTC + 3 часа [ Летнее время ] |
Кто сейчас на конференции |
Сейчас этот форум просматривают: нет зарегистрированных пользователей и гости: 12 |
Вы не можете начинать темы Вы не можете отвечать на сообщения Вы не можете редактировать свои сообщения Вы не можете удалять свои сообщения Вы не можете добавлять вложения |