“If we can put a man on the moon, we must be able to X”. (informal fallacies or false analogies) But now it uses Alpha Go or Watson examples: If “AlphaGo Zero: Google DeepMind supercomputer [can learn] 3,000 years of human knowledge in 40 days” [link] In AI in Finance: Cutting Through the Hype I explained several examples of the application of...
うわー、なんだこの人たち。あんたが例のトリックスターか？大文字で表記していることに注意してください :-)
本当のことを言ってるんだろう、何があったんだ？よくやった、座れ、5人だ。私は、与えられた入力値によって記述された点の空間の分割で、我々の場合、それは多次元空間であり、主なものは、彼らがグループYesまたはNoに落ちるように、領域を分割することであり、入力ベクトルの将来の値は、同じがバリケードの両側で正しくそれらを散乱させることが重要であることを追加することができます。私たちのものと敵のもの。しかし、将来的にネットワークを機能させるためには、現在のものを分割するだけでなく、入力データがなくても多項式係数が勝手に動くように分割する必要がある。この場合のみ、メッシュが機能します。出来上がった多項式の汎化度を計算しようと頭を悩ませたが、汎化の結果も未来にあり、確実に計算することはできないので、汎化を決定する方法はすべて間接的なものである。代替案：多項式の係数を求める際に、後方最適化を行う......xm.............。やってみるにこしたことはない
付け加えると、ニューラルネットワークは、それが一つの同じパターンであることを明確に「理解」し、推測するはずです。 避難の「意味」は、他の何十もの方法で表現することが可能です。交通ルールや交通組織について知っている人なら、それが本質的に同じパターンであることを簡単に判断できるでしょう。この特別なパターンのメインは「避難」です。避難者と避難した車がどのように図式化されているか、色や大きさはどうなっているかは十人十色です。マーケットでも同じで、同じ意味を持つ同じパターンが、（マーケットチャートの フラクタル性による歪みで）視覚的に大きく異なる場合があり、逆に、一見同じチャートのスクイグルが、全く別のパターン／タブで「意味を持ち異なる」場合があります。 これは、その瞬間に異なる次元の波が形成されたに過ぎません。フクロウは見かけによらない (c) Twin Peaks :)
神経回路網は「センス」を理解しなければならない。それがなければどうしようもない。パターンの識別が下手だったり、間違えたり、脳のように明確に働かないかもしれないが、少なくとも何らかのセンスを把握しなければならない。これは「絵」を明確に認識することよりも重要なことだ。
絵のようによく似たサインを考えても、普通のニューロネットワークはこれと混同しそうですが、ロジックMAの観点からは全く違う意味になります。 自分自身のナチュラルニューロネットワークを鍛えるために自分で考えて描いてもいいのですが、私は面倒なので:)。
ニューラルネットワークは、「意味」を理解しなければ成り立たない。 たとえ、パターンの定義が甘くても、間違えても、脳として明確に機能しなくても、少なくとも「意味」を把握しなければならない。それは、「絵」を明確に認識することよりも重要なことである。
車ってどんなものか知ってる？ 子供の頃の絵を覚えてる？ ...そして、馬以外の乗り物を見たことがないと想像して、こんな馬鹿げた看板がある - 黒い「穴の開いた四角形」 ))))
このような記号の意味を理解できる知性の強さに自信があるのでしょうか？
うわー、なんだこの人たち。あんたが例のトリックスターか？大文字で表記していることに注意してください :-)
この男（男なのか？）は聖杯の 裏面であり、ヴィザード_はその裏面である。聖杯そのものを人が見ることはできないのです。
えー、この支店には悪徳投資家に殺されたアレッシー息子がもういないのか...と残念に思います。あの頃は、ここで生活が沸き立っていた。そして今...うっ！
この男（男なのか？）は聖杯の裏面であり、ヴィザード_はその裏面である。聖杯そのものを人が見ることはできないのです。
えー、この支店には悪徳投資家に殺されたアレッシー息子がもういないのか...と残念に思います。あの頃は、ここで生活が沸き立っていた。そして今...うっ！
ただ、自分の中で決めていることがあります。検索しない。探索と冒険のない、単調な最適化の繰り返し。
"そいつを返せ" :))
"そいつを返せ" :))
右 ))
まあ、もう少し考えてみると、人は（幻想の中に？一般的には、認知の歪みの中に-最近、ファッショナブルに妄想と呼ばれる方法です-）閉じ込められる傾向があるのです。
これはMOでも同じで、コンピュータ技術やロボットについての議論はすべてでたらめで、人間の方がずっとかっこいいのです。
簡単な例を挙げてみましょう。
1.ニュートンはリンゴに当たって（これは違う）、独創的な数式を発明したんだ!- あるいは、このような問題をPC上で実行し、可能な限りのデータを回転させる方が簡単で、それでもこの問題の解が見つかるのだろうか？
2.航空開発者のチームを例にとると、彼らは経験もあり、良いソフトウェアを持っています。- 天才的な人たちなのに、PCまで助けてくれるの？
なんでこんなこと書いてるんだろう- 重要なのは、発明の99％は偶然であり、数学的装置そのものは、その複雑さゆえに、初歩的な事柄（風の吹き方）を記述することはできない、ということです。
人間は創造の王冠であり、コンピュータ・プログラムは「愚かな数学」であると考えるのは、これもまた妄想です。
ЗЫ：機械に対する人間の優位性は、あくまでも連想の有無であるが、この優位性がどの程度なのかを議論することは可能である。- 人間の過去の経験は、新しい問題を解決するのに役立つというよりもむしろ妨げになることがある。一方、連想記憶は、過去の肯定的な経験に基づいて解決策を探すことを提案する((
最初はリンゴを投げていたのですが、モンテカルロ だと気づいたようです :))
最初はリンゴを跳ねていたのですが、モンテカルロだと気づいたようです :))
モンテカルロは、初期条件に対する正確なルールはないが、結果を推定する際の統計的な誤差がかなり大きいので良い
Q学習＋モンテカルロのミックスをやりたいが、テスターではなく、NSにAngry Birdsの遊び方を教えるような可視化モードでやりたい
モンテカルロは、初期条件に明確なルールがないので良いが、結果を推定する際の統計的な誤差はかなり大きい
Q-ラーニングとモンテカルロのミックスをしたいのですが、テスターではなく、NSゲーム「Angry Birds」を教えるような可視化モードでやりたいのですが、どうしたらいいのかわかりません。
https://medium.com/datadriveninvestor/teaching-a-robot-to-buy-low-sell-high-c8d4f061b93d
人工データでは記事のように動作します、実行してみました。しかし、そうなると全ては非定常性に戻ってしまう :)
私の記事で紹介した微分された静止系列を使えば、何か面白いことができるかもしれません。
そうそう、カネリングがMDPで機能する限り、今はLSTMの層を挿入してモデルのメモリ量を増やそうとしています。このスレッドの著者のHabraの記事のように。