Cosa inserire nell'ingresso della rete neurale? Le vostre idee... - pagina 59

Nuovo commento
 
Maxim Dmitrievsky #:
L'apprendimento è un concetto più ampio dell'ottimizzazione e dell'approssimazione. Perché è così difficile?
Ampio, stretto.

L'addestramento di un modello su una traiettoria non è altro che l'adattamento di una curva, cioè l'approssimazione... Maggiori dettagli.
 
mytarmailS #:
Ampio, stretto.

L'addestramento di un modello su una linea non è altro che il curvafitting, cioè l'approssimazione... ulteriori dettagli
Questa è la tua opinione personale.
 
Ho una domanda e uno sconcerto in una bottiglia. Intendete davvero continuare a discutere del Ministero della Difesa a culo nudo, cioè senza una minima conoscenza dell'argomento di discussione? :)
 
Maxim Dmitrievsky #:
Ho una domanda e uno sconcerto in una bottiglia. Intendete davvero continuare a discutere del Ministero della Difesa a culo nudo, cioè senza una minima conoscenza dell'argomento di discussione? :)
Beh, se lo studio approfondito dell'argomento per loro è chiacchierare con i gpt, come la mettiamo?


Non saranno nemmeno in grado di formulare una domanda in modo corretto per mancanza di conoscenza e terminologia.
 
mytarmailS #:
Beh, se l'argomento del deep learning per loro è la chat con gpt, cosa ne pensate?
Almeno è più preparato di altri. Molti esperti hanno lavorato sodo.
 
Maxim Dmitrievsky #:
Almeno è più preparato di altri. Molti esperti hanno lavorato sodo.
Le allucinazioni non sono scomparse
 
mytarmailS #:
L'allucinazione non è andata da nessuna parte
Questo è un problema noto sui nuovi dati. Come base di conoscenza è abbastanza tollerabile :)
 
Maxim Dmitrievsky #:
Si tratta di un problema noto sui nuovi dati. Come base di conoscenza è abbastanza tollerabile :)
Sto pensando di creare una base di conoscenze sul mercato e poi di commerciare da essa.

Si può usare ad esempio l'ossidiana
 
Forester #:

La massima qualità dell'addestramento si ottiene con una memorizzazione assolutamente accurata, cioè quando tutti i dati sono completamente registrati nel database, oppure quando si addestra un albero fino all'ultima divisione o clustering possibile con numero di cluster = numero di esempi.

Gli alberi che smettono di dividersi prima o che si raggruppano con un numero inferiore di cluster generalizzano e uniscono i dati nelle foglie e nei cluster. Si tratta di modelli poco addestrati, ma in presenza di rumore possono avere più successo dei modelli con richiamo esatto.

All'inizio del ramo MO c'è stato un esempio in cui si insegnava a uno scaffold la tabella delle moltiplicazioni. Poiché non gli è stato fornito un numero infinito di scelte possibili per l'addestramento, la foresta produce a volte risposte esatte, ma per lo più risposte approssimative. È chiaro che è poco addestrata. Ma è in grado di generalizzare, trovando e mediando le risposte più vicine a quelle corrette dei singoli alberi.

Con l'apprendimento nel rumore, è difficile valutare la qualità. Soprattutto se il rumore è molto più forte dei modelli, come nel trading.

Per questo si è inventata la valutazione su campioni di convalida e di prova, la convalida incrociata, l'avanzamento, ecc.

Quindi, è nata la parola "valutazione".

Quindi, l'apprendimento deve essere valutato in qualche modo, non importa come, l'importante è migliorare la valutazione. Giusto?

 
Maxim Dmitrievsky #:
Massimizzare la qualità della formazione significa massimizzare la qualità delle previsioni sui nuovi dati. Nessuno è interessato alle previsioni sul campione di addestramento, perché sono già note. Questo non è apprendimento, è approssimazione. L'approssimazione non si chiama apprendimento.

Ad esempio, una MLP a due strati è un approssimatore universale che può approssimare qualsiasi funzione arbitraria con qualsiasi precisione. Questo significa che è addestrato alla massima qualità? Ovviamente no. Altrimenti non avremmo inventato altre architetture di reti neurali che sono migliori nell'apprendimento, non nell'adattamento, per compiti specifici.

Debole, anche se sembra che l'argomento sia stato trattato a lungo.
Beh, se si addestra la tabella delle moltiplicazioni, la legge di Ohm e altre leggi, più esempi si forniscono durante l'addestramento, più accurate saranno le risposte su nuovi dati.

In una situazione di rumore gli operatori radio possono gestire il rumore bianco (o altri rumori naturali appresi), nel trading il rumore cambia continuamente. Quindi è tutto molto complicato per la valutazione della qualità.
1...52535455565758596061626364656667
Nuovo commento