“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...
哇，真是一群人。你是我说的那个捣蛋鬼吗？注意我把它大写了 :-)
因为你说的是实话，你怎么了？干得好，坐下来，五。我可以补充说，在给定的输入值所描述的点的空间划分中，在我们的例子中，它是多维空间，主要的是划分区域，使它们落在是或否的组中，重要的是输入向量的未来值相同，将它们正确地分散在路障的两方。我们的和敌人的。但是，为了让网络在未来工作，不仅需要对当前的进行划分，还需要对其进行划分，使多项式系数可以在没有输入数据的情况下自行工作。只有在这种情况下，网格才会发挥作用。长期以来，我绞尽脑汁地计算所产生的多项式的泛化程度，但由于泛化的结果也在于未来，可靠地计算它是不可能只假设的，因此任何确定泛化的方法都是间接的。或者：在获得多项式的系数时，进行反向优化.......xm....。有必要尝试...
我要补充的是：神经网络应该清楚地 "理解 "并猜测这是一个相同的模式。 可以用几十种其他方式来表达疏散的 "意义"，一个对交通规则和交通组织有所了解的人将很容易确定它基本上是同一个模式。这个特殊模式的主要内容是 "疏散" - 疏散器和被疏散的汽车是如何被示意性地标记的，什么是颜色和大小是第十件事。在市场中也是如此，具有相同意义的图案在视觉上可能非常不同（由于市场图表的 分形性造成的扭曲），反之亦然，同样的乍看之下的图表方块--成为 "意义不同 "的图案/片。 这只是不同维度的波浪在某一时刻形成的方式。猫头鹰并不像它们看起来那样 (c) 双峰镇 :)
一个神经网络应该理解 "意义"，没有它就没有办法--它可能会糟糕地识别模式，出现错误，不能像大脑那样清晰地工作，但它必须至少掌握一些意义--这比清晰地识别 "图片 "更重要。
你可以想出非常相似的标志，就像图上一样，普通的神经网络很可能会把它们和这个标志混淆，但从逻辑上讲MA会有完全不同的意义。 你甚至可以自己想出来，画出来，用于训练自己的自然神经网络--我太懒了 :)
一个神经网络必须理解 "意义"，没有意义就没有办法。 即使它对模式的定义很差，会犯错误，不能像大脑一样清晰地工作，但它必须至少掌握一点意义，这比清楚地识别 "图片 "更重要。
你知道汽车是什么样子的吧？你还记得你小时候的画吗？....，想象一下，除了马之外，你从未见过其他交通工具，而这里有一个如此愚蠢的标志--一个黑色的 "带孔的正方形"))))。
你对自己的智力强度有信心，认为你能够理解这样一个标志的含义吗？
哇，真是一群人。你是我说的那个捣蛋鬼吗？注意我把它大写了 :-)
这个人（他是人吗？）是圣杯的 正面，而维泽_是其反面。圣杯本身不能被人们看到，这是不允许的。
诶，很遗憾，这个分支里没有阿莱西的儿子了，被恶棍-投资人杀死了....那些日子，这里的生活是沸腾的。而现在...呃!
这个人（他是人吗？）是圣杯的正面，而维泽_是其反面。圣杯本身不能被人们看到，这是不允许的。
诶，很遗憾，这个分支里没有阿莱西的儿子了，被恶棍-投资人杀死了....那些日子，这里的生活是沸腾的。而现在...呃!
我只是下定了决心。没有搜索。枯燥单调的优化一次又一次，没有搜索和冒险。
"把那东西拿回去" :)
"把那东西拿回去" :)
对）））。
好吧，再想一想--人们往往会被困住(在幻觉中？一般来说，在认知扭曲中--这也是现在流行的称呼妄想的方式)
这与MO和任何关于计算机技术或机器人的讨论都是一样的--都是胡说八道，人类要酷得多!
让我们举一些简单的例子。
1.牛顿被一个苹果砸中（事实并非如此），并发明了他那巧妙的公式！这就是牛顿。- 应该采取什么样的人的样本，以便在用苹果敲打他们的头骨时能得到相同的结果？ 或者，也许在电脑上运行这样的问题更容易，让它旋转所有可能的数据，它仍然会找到这个问题的解决方案？
2.以航空研发团队为例，他们有经验，有好的软件，那么他们为什么在研发完新机身后要在风洞里测试呢？- 他们是天才的人，连PC都帮助他们？
我为什么要写这个？- 问题是，99%的发明都是意外，数学仪器本身的复杂性无法描述基本事物（风是如何吹动的！）。
认为人类是创造的皇冠，而计算机程序是 "愚蠢的数学"，我认为，这是另一种错觉--人类通过随机的行动（身体或精神）使自己成为天才，MO也在从事同样的工作--通过随机的行动寻求问题的解决。
ЗЫ：人类相对于机器的优势只是存在联想思维，不过在这里可以争论一下这种优势有多大？- 有时，人类以前的经验对解决一个新问题的阻碍多于帮助，而联想记忆会建议根据以前的积极经验寻找解决方案（（（））。
起初他们在砸苹果，后来他们意识到这是蒙特卡洛:))
起初，他们是在弹跳苹果，但后来他们意识到这是蒙特卡洛:))
蒙特卡洛 之所以好，是因为它对初始条件没有精确的规则，但在估计结果时有相当好的统计误差
我想做一个Q-learning+Monte Carlo的混合体，但不是在测试器中，而是在可视化模式下，就像他们教NS玩愤怒的小鸟一样。
蒙特卡洛很好，因为它对初始条件没有明确的规则，但它在估计结果时有相当好的统计误差
我不知道怎么做，我想做一个Q-learning+Monte Carlo的混合体，但不是在测试器中，而是在可视化模式下，就像他们教NS游戏《愤怒的小鸟》一样。
https://medium.com/datadriveninvestor/teaching-a-robot-to-buy-low-sell-high-c8d4f061b93d
在人工数据上，它与文章中的工作一样，我已经运行了。但是，这一切又回到了非稳态性 :)
也许如果我们使用我文章中的一个有区别的静止系列，可能会有一些有趣的东西。
而且，是的，就隧道工作与MDP，现在他们正试图插入LSTM层以使模型有更多的内存。就像这个主题的作者在哈布拉的文章中所说的那样。