solar : 예를 들어, 일반 은행은 카드로 어떤 구매를 했는지 추적하고 이것이 "특이하지 않은" 구매인 경우 네트워크에서 카드를 차단합니다. 그리드는 공항에서, 지하철에서 원하는 "얼굴"을 검색해야 하는 경우 오랫동안 작동해 왔습니다. 십자선은 탐지 및 안내의 경우 대상을 식별합니다. 대기업에서 - 비상시 개인의 복제본으로. 사실 네트워크는 여러 곳에서 작동합니다.
가장 넓은.
내 생각에 그리드의 표준은 다음과 같습니다. 무엇을 가르쳐야 하는지 알고 있습니다. 예를 들어, 수천 개의 철자가 있는 격자를 표시하여 손으로 쓴 문자 "a"를 인식하는 방법을 배웁니다. 나는 이상에서 문자의 모든 철자의 편차가 고정 된 시리즈를 형성한다고 생각합니다. 따라서 성공을 위한 두 가지 조건이 있습니다. 무엇을 가르칠 것인지 알고 있고 이상적인 것과의 편차는 고정된 시리즈를 형성합니다. 이 이상에서 벗어날 수 있을 것 같습니다. 그러나 여기에 세 번째 문제인 계산 복잡성이 있습니다.
그러나 나는 시장에 대해 이야기하고 있습니다. 그리고 시장에는 마차와 수학적 알고리즘의 작은 카트가있어 차량 구성에보다 의식적으로 접근 할 수 있습니다. 따라서 다소 복잡한 NN보다 수학적 통계 에 시간을 보내는 것이 더 생산적입니다.
제 생각에는 그리드의 기준은 다음과 같습니다. 무엇을 가르쳐야 하는지 알고 있습니다. 예를 들어, 수천 개의 철자가 있는 격자를 표시하여 손으로 쓴 문자 "a"를 인식하는 방법을 배웁니다. 나는 이상에서 문자의 모든 철자의 편차가 고정 된 시리즈를 형성한다고 생각합니다. 따라서 성공을 위한 두 가지 조건이 있습니다. 무엇을 가르칠 것인지 알고 있고 이상적인 것과의 편차는 고정된 시리즈를 형성합니다. 이 이상에서 벗어날 수 있을 것 같습니다. 그러나 여기에 세 번째 문제인 계산 복잡성이 있습니다.
그러나 나는 시장에 대해 이야기하고 있습니다. 그리고 시장에는 마차와 수학적 알고리즘의 작은 카트가있어 차량 구성에보다 의식적으로 접근 할 수 있습니다. 따라서 다소 복잡한 NN보다 수학적 통계에 시간을 보내는 것이 더 생산적입니다.
알파벳의 글자를 (유추하여) 인식하려면 시장이 닫힌 시스템이라는 사실부터 진행해야 합니다. )))))))
내 생각에 그리드의 표준은 다음과 같습니다. 무엇을 가르쳐야 하는지 알고 있습니다. 예를 들어, 수천 개의 철자가 있는 격자를 표시하여 손으로 쓴 문자 "a"를 인식하는 방법을 배웁니다.
많은 단순 네트워크가 귀하가 설명한 대로 학습하지만 실제로는 그렇지 않습니다. 그러나 우리의 두뇌처럼 즉석에서 스스로 학습하는 네트워크가 있습니다. 그건 그렇고, 네트워크의 유용성을 부정하는 것은 우리 두뇌의 유용성을 부정하는 것과 같습니다. 그리고 우리의 뇌는 고정 및 비 고정 등 모든 유형의 데이터로 성공적으로 작동합니다. 또 다른 것은 단순한 교과서 네트워크가 우리의 두뇌가 할 수 있는 일을 할 수 있다고 주장하는 것입니다. 패턴 찾기 등 따라서 저는 거래에서 이러한 "단순한" 네트워크의 유용성에 대해 비관론자입니다. 그리고 생물학적 원리에 따라 작동하는 더 복잡한 네트워크의 경우 여전히 컴퓨터 성능이 충분하지 않습니다.
그건 그렇고, 여기 자율 학습 카메라에 대한 흥미로운 비디오가 있습니다. 카메라에 얼굴을 한 번 보여주면 다른 거리와 각도에서 그 얼굴을 인식하는 법을 배웁니다. 나중에 자신의 회사를 만든 체코슬로바키아 학생이 만들었습니다.
요점은 NN 자체가 학습 과정에서 결정되어야 하는 알려지지 않은 계수가 있는 특정 계산 시퀀스라는 것입니다. 수학에서 이 문제를 회귀 문제(그 특별한 경우는 분류 및 클러스터링)라고 합니다. 완전히 다른 알고리즘이 이를 수행할 수 있으며 각각은 속성과 기능, 장점과 단점을 가지고 있습니다. 다시 말하지만, 고전적인 NN은 객체에 대한 선험적 데이터가 없을 때 작동할 수 있다는 장점이 있습니다.
예를 들어, 우리는 0에서 9까지의 숫자 이미지를 인식하고, 그림을 보여주고, 정답을 가르치도록 네트워크를 훈련합니다. 숫자가 이와 같은 크기, 색상 등이 될 것이라고 미리 네트워크 구조에 넣지 않았다면 네트워크는 입력 데이터에 적응해야 합니다. 그리고 실제로 그렇게 합니다. 하지만! - 느리지만 이것이 바로 국회의 단점이다. 그리고 그리드에 표시된 처음 1000자리 숫자가 흰색 배경에 검은색이었고 그 다음 검은색에 흰색을 표시하기 시작했다면(읽기, 입력 행에 비정상성을 도입했습니다) 그리드를 다시 훈련시켜야 합니다.
그러나 우리가 미리 네트워크에 그림이 반전될 수 있다고 설명했다면(즉, non-stationarity를 설명하고 이를 NN 구조에 빌려주었습니다. 예를 들어 출력 -N의 낯선 신호는 +로 해석되어야 한다고 말합니다. N), 이 유형에서 비정상 네트워크는 더 이상 길을 잃지 않습니다. 그러나 다른 사람에게 길을 잃을 것입니다. 그러나 네트워크는 이미 다른 모든 알고리즘과 공통점이 있습니다. 사람이 시스템에 넣은 비정상성에서 가장 잘 작동합니다.
그러나 차이점도 있습니다. 예를 들어 최적 제어 이론에서 설명하는 입력 신호의 매개변수를 추적하기 위한 많은 알고리즘은 물론 선험적으로 규정된 것보다 더 넓은 클래스의 비정상성을 추적할 수 있습니다. , 몇 가지 제한 사항이 있습니다. 불행히도, 국회는 이것을 할 수 없습니다. 아마도 NS에 대한 유일한 옵션은 준 고정 시스템입니다. 매개변수가 신경망의 훈련 시간보다 작지 않은 특성 시간으로 유동하는 매개변수.
따라서 질문에 대한 답: 네트워크는 주로 인식 작업, 의미 분석(텍스트, 소리, 이미지, ...), 인지(보안 문자 해결) 및 해당 입력 신호 모델을 선험적으로 설정하는 것이 불가능하거나 매우 어려운 곳에서 작동합니다. 조합. 그러나 복잡한 작업의 경우 예 를 들어 BIG(말 그대로) 및 복잡한 네트워크가 필요합니다(그런데 이것은 현대 기술의 한계에 있습니다. 확인하십시오).
예를 들어, 일반 은행은 카드로 어떤 구매를 했는지 추적하고 이것이 "특이하지 않은" 구매인 경우 네트워크에서 카드를 차단합니다. 그리드는 공항에서, 지하철에서 원하는 "얼굴"을 검색해야 하는 경우 오랫동안 작동해 왔습니다. 십자선은 탐지 및 안내의 경우 대상을 식별합니다. 대기업에서 - 비상시 개인의 복제본으로. 사실 네트워크는 여러 곳에서 작동합니다.
가장 넓은.
내 생각에 그리드의 표준은 다음과 같습니다. 무엇을 가르쳐야 하는지 알고 있습니다. 예를 들어, 수천 개의 철자가 있는 격자를 표시하여 손으로 쓴 문자 "a"를 인식하는 방법을 배웁니다. 나는 이상에서 문자의 모든 철자의 편차가 고정 된 시리즈를 형성한다고 생각합니다. 따라서 성공을 위한 두 가지 조건이 있습니다. 무엇을 가르칠 것인지 알고 있고 이상적인 것과의 편차는 고정된 시리즈를 형성합니다. 이 이상에서 벗어날 수 있을 것 같습니다. 그러나 여기에 세 번째 문제인 계산 복잡성이 있습니다.
그러나 나는 시장에 대해 이야기하고 있습니다. 그리고 시장에는 마차와 수학적 알고리즘의 작은 카트가있어 차량 구성에보다 의식적으로 접근 할 수 있습니다. 따라서 다소 복잡한 NN보다 수학적 통계 에 시간을 보내는 것이 더 생산적입니다.
가장 넓은.
제 생각에는 그리드의 기준은 다음과 같습니다. 무엇을 가르쳐야 하는지 알고 있습니다. 예를 들어, 수천 개의 철자가 있는 격자를 표시하여 손으로 쓴 문자 "a"를 인식하는 방법을 배웁니다. 나는 이상에서 문자의 모든 철자의 편차가 고정 된 시리즈를 형성한다고 생각합니다. 따라서 성공을 위한 두 가지 조건이 있습니다. 무엇을 가르칠 것인지 알고 있고 이상적인 것과의 편차는 고정된 시리즈를 형성합니다. 이 이상에서 벗어날 수 있을 것 같습니다. 그러나 여기에 세 번째 문제인 계산 복잡성이 있습니다.
그러나 나는 시장에 대해 이야기하고 있습니다. 그리고 시장에는 마차와 수학적 알고리즘의 작은 카트가있어 차량 구성에보다 의식적으로 접근 할 수 있습니다. 따라서 다소 복잡한 NN보다 수학적 통계에 시간을 보내는 것이 더 생산적입니다.
알파벳의 글자를 (유추하여) 인식하려면 시장이 닫힌 시스템이라는 사실부터 진행해야 합니다. )))))))
1. 시장은 폐쇄된 시스템이 아니라 사람들의 의견으로 형성되는 살아있는 시스템입니다.
2. 고정은 내 언어가 아닙니다.
모든 것이 후퇴입니다.
1. 시장은 폐쇄된 시스템이 아니라 사람들의 의견으로 형성되는 살아있는 시스템입니다.
2. 고정은 내 언어가 아닙니다.
모든 것이 후퇴입니다.
나는 당신에게 아무 것도 증명하려고하지 않았으며 관심이 없습니다.))).
리턴 (0);
내 생각에 그리드의 표준은 다음과 같습니다. 무엇을 가르쳐야 하는지 알고 있습니다. 예를 들어, 수천 개의 철자가 있는 격자를 표시하여 손으로 쓴 문자 "a"를 인식하는 방법을 배웁니다.
많은 단순 네트워크가 귀하가 설명한 대로 학습하지만 실제로는 그렇지 않습니다. 그러나 우리의 두뇌처럼 즉석에서 스스로 학습하는 네트워크가 있습니다. 그건 그렇고, 네트워크의 유용성을 부정하는 것은 우리 두뇌의 유용성을 부정하는 것과 같습니다. 그리고 우리의 뇌는 고정 및 비 고정 등 모든 유형의 데이터로 성공적으로 작동합니다. 또 다른 것은 단순한 교과서 네트워크가 우리의 두뇌가 할 수 있는 일을 할 수 있다고 주장하는 것입니다. 패턴 찾기 등 따라서 저는 거래에서 이러한 "단순한" 네트워크의 유용성에 대해 비관론자입니다. 그리고 생물학적 원리에 따라 작동하는 더 복잡한 네트워크의 경우 여전히 컴퓨터 성능이 충분하지 않습니다.
그건 그렇고, 여기 자율 학습 카메라에 대한 흥미로운 비디오가 있습니다. 카메라에 얼굴을 한 번 보여주면 다른 거리와 각도에서 그 얼굴을 인식하는 법을 배웁니다. 나중에 자신의 회사를 만든 체코슬로바키아 학생이 만들었습니다.
https://www.youtube.com/watch?v=1GhNXHCQGsM
비정규화는 그러한 기회가 있는 경우 데이터를 제공하는 가장 좋은 방법입니다. 신호의 모든 정보 내용은 보존됩니다. 왜곡 0.
규모와 경쟁하는 것이 좋습니다. 정규화에 의해 정보를 왜곡하는 것보다 정보 내용을 보존할 확률이 높습니다.
그리고 두 번째로 묻습니다. 그리드는 실시간으로 어디에서 작동합니까?
요점은 NN 자체가 학습 과정에서 결정되어야 하는 알려지지 않은 계수가 있는 특정 계산 시퀀스라는 것입니다. 수학에서 이 문제를 회귀 문제(그 특별한 경우는 분류 및 클러스터링)라고 합니다. 완전히 다른 알고리즘이 이를 수행할 수 있으며 각각은 속성과 기능, 장점과 단점을 가지고 있습니다. 다시 말하지만, 고전적인 NN은 객체에 대한 선험적 데이터가 없을 때 작동할 수 있다는 장점이 있습니다.
예를 들어, 우리는 0에서 9까지의 숫자 이미지를 인식하고, 그림을 보여주고, 정답을 가르치도록 네트워크를 훈련합니다. 숫자가 이와 같은 크기, 색상 등이 될 것이라고 미리 네트워크 구조에 넣지 않았다면 네트워크는 입력 데이터에 적응해야 합니다. 그리고 실제로 그렇게 합니다. 하지만! - 느리지만 이것이 바로 국회의 단점이다. 그리고 그리드에 표시된 처음 1000자리 숫자가 흰색 배경에 검은색이었고 그 다음 검은색에 흰색을 표시하기 시작했다면(읽기, 입력 행에 비정상성을 도입했습니다) 그리드를 다시 훈련시켜야 합니다.
그러나 우리가 미리 네트워크에 그림이 반전될 수 있다고 설명했다면(즉, non-stationarity를 설명하고 이를 NN 구조에 빌려주었습니다. 예를 들어 출력 -N의 낯선 신호는 +로 해석되어야 한다고 말합니다. N), 이 유형에서 비정상 네트워크는 더 이상 길을 잃지 않습니다. 그러나 다른 사람에게 길을 잃을 것입니다. 그러나 네트워크는 이미 다른 모든 알고리즘과 공통점이 있습니다. 사람이 시스템에 넣은 비정상성에서 가장 잘 작동합니다.
그러나 차이점도 있습니다. 예를 들어 최적 제어 이론에서 설명하는 입력 신호의 매개변수를 추적하기 위한 많은 알고리즘은 물론 선험적으로 규정된 것보다 더 넓은 클래스의 비정상성을 추적할 수 있습니다. , 몇 가지 제한 사항이 있습니다. 불행히도, 국회는 이것을 할 수 없습니다. 아마도 NS에 대한 유일한 옵션은 준 고정 시스템입니다. 매개변수가 신경망의 훈련 시간보다 작지 않은 특성 시간으로 유동하는 매개변수.
따라서 질문에 대한 답: 네트워크는 주로 인식 작업, 의미 분석(텍스트, 소리, 이미지, ...), 인지(보안 문자 해결) 및 해당 입력 신호 모델을 선험적으로 설정하는 것이 불가능하거나 매우 어려운 곳에서 작동합니다. 조합. 그러나 복잡한 작업의 경우 예 를 들어 BIG(말 그대로) 및 복잡한 네트워크가 필요합니다(그런데 이것은 현대 기술의 한계에 있습니다. 확인하십시오).
글쎄, 누가 비 고정성을 좋아합니까? 가장 정교한 알고리즘이라도 입력 신호의 특성을 변경할 때 실패합니다. 어느. 기적은 일어나지 않는다
다시 말하지만, 만약 우리가 비정상성의 성질을 미리 알고 있다면, 우리는 그것을 알고리즘에 넣을 수 있고, 이 비정상성을 감지하고, 컨트롤러 매개변수를 신속하게 조정할 수 있습니다.