Que mettre à l'entrée du réseau neuronal ? Vos idées... - page 65

Nouveau commentaire
 
Forester #:
Pas clair. Décrivez l'algorithme d'évaluation.
Dans une table de multiplication de 1 à 10, il y a 100 choix de combinaisons. Il faut donc 100 réponses correctes à toutes les variantes de multiplication des nombres pour que la mémorisation soit complète.
 
Andrey Dik #:
Dans la table de multiplication de 1 à 10, il y a 100 variantes de combinaisons. Il faut donc 100 réponses correctes à toutes les variantes de multiplication des nombres pour une mémorisation complète.
C'est-à-dire en passant en revue les différentes variantes, comme je l'ai suggéré plus tôt ?
 
Forester #:
Vous voulez dire itérer à travers différentes options comme je l'ai suggéré plus tôt ?

Peut-être que je ne vous ai pas compris tout de suite, de quoi parlons-nous ? Avez-vous un moyen d'éviter les itérations et d'obtenir un résultat de mémorisation de 100% tout de suite ?
 

Il n'existe pas de mesure distincte pour la qualité de la "mémorisation" dans la MO. La mémorisation et la généralisation sont deux éléments liés du même processus, deux faces de la même pièce, qui partagent une mesure commune telle que la perte de logarithme.

De précieux experts pourraient enfin lire la théorie de la MO.

 
Andrey Dik #:

Peut-être que je ne vous ai pas compris tout de suite, de quoi parlons-nous ? Avez-vous un moyen d'éviter les intégrations et d'obtenir un résultat de mémorisation de 100% tout de suite ?

Je ne suis pas d'accord avec l'idée qu'un enregistrement ne devient mémorisable qu'après évaluation. Lorsque l'on écrit des données dans une base de données (ou dans un arbre, ou dans un modèle de clustering à apprentissage maximal), on les écrit telles qu'elles sont, sans aucune action supplémentaire. La base de données n'a aucune idée de ce qu'elle doit mémoriser (table de multiplication, loi d'Ohm, autre formule ou marché quasi aléatoire). Ce qu'elle doit mémoriser/enregistrer, elle le stocke dans les lignes, les feuilles et les groupes de la base de données.
 
Après l'apprentissage, ou plutôt après l'apprentissage, nous pouvons décomposer le modèle en composantes de généralisation et de mémoire.
 
Ivan Butko #:

Avant de parler d'un type d'apprentissage appliqué (algorithme), et même de la théorie de l'apprentissage, je voulais attirer l'attention sur l'image complète du sabj local (apprentissage).


D'après certaines réponses, l 'apprentissage est unemaîtrise progressive d'une manière d'interagir avec le monde, où l'apprentissage n'est pas tant un processus d'accumulation de connaissances qu'une adaptation constante, une compréhension des modèles et la capacité de les mettre en pratique dans un nouveau contexte.

L'apprentissage est l'accumulation de connaissances ou d'expériences, Maestro :)))
 
Une contre-question aux experts : quelle est la différence entre l'acquisition de connaissances et la mémorisation ?
 
Forester #:

Je ne suis pas d'accord avec l'idée que l'enregistrement ne devient mémorisation qu'après évaluation. Lorsque l'on écrit des données dans une base de données (ou dans un arbre, ou dans un modèle de regroupement à apprentissage maximal), on les écrit telles qu'elles sont, sans aucune action supplémentaire. La base de données n'a aucune idée de ce qu'elle doit mémoriser (table de multiplication, loi d'Ohm, autre formule ou marché quasi aléatoire). Ce qu'elle doit mémoriser/enregistrer, elle le stocke dans les lignes, les feuilles et les groupes de la base de données.

Vous parlez d'enregistrement, pas de mémorisation. La mémorisation est un processus fondamentalement différent, l'enregistrement ne peut en aucun cas devenir de la mémorisation.
 
Maxim Dmitrievsky #:
Une contre question aux experts : quelle est la différence entre l'acquisition de connaissances et la mémorisation ?
Pour répondre à cette question, ils doivent d'abord ne pas confondre une base de données et une base de connaissances... Mais apparemment pas dans cette vie.
1...58596061626364656667
Nouveau commentaire