Comments 24
За идею применения нейросетки, да и саму сформулированную задачу в целом - спасибо :)
В продолжение вашего интереса погуглите PredNet, MOT Challenge.
Довольно философский вывод. Кстати, как-то в школе на уроке физики я выразил мысль, что задача науки - предсказать (будущее, процесс, динамику, итог), но учитель поправил меня, сказав, что задача науки все-таки объяснить, а предсказать - это просто хороший дополнительный эффект (помимо проверки).
Herbert Simon distinguished between “basic science” and “applied science”, a distinction similar to explaining versus predicting. According to Simon, basic science is aimed at knowing (“to describe the world”) and understanding (“to provide explanations of these phenomena”). In contrast, in applied science, “Laws connecting sets of variables allow inferences or predictions to be made from known values of some of the variables to unknown values of other variables.”
https://www.stat.berkeley.edu/~aldous/157/Papers/shmueli.pdf
Сделайте мне такой прицел на ружьё. А то устаешь целиться по уткам.
Буду ловить их спокойно в последней точке.
Спасибо.
А зачем нейросеть, нельзя ли просто на каждом шаге аппроксимироваь точки теми же кривыми Безье, предварительно распознавая точку, и результат будет тем же? Или там несопоставимо будут различаться затраты на вычисления, а на сколько?
Да, и это пробовали. Код высчитывающий кривую Безье получается гораздо сложнее.
Или гораздо легче, если бы вы нейросетевую часть писали тоже сами. Ведь алгоритм для апроксимации сплайнами (любой степени, поверх любого количества точек) тоже можно было взять в библиотечном виде. Вы именно эти полиномы, описывающие сплайны, и вырастили в своей нейросетке (ибо ничего более в обучающей выборке не было) :).
Вообще-то в один скрытый слой, размером 3 нейрона. ;)
Прикольно, конечно, использовать нейросети, но в данном случае можно обойтись, наверное, построением линии тренда по методу наименьших квадратов. Весьма несложная штука с быстрым расчетом
Простейшая задача экстраполяции, и тут нейросетка. Скорее грустно.
Нет тут поводов для грусти! Экстраполяция - первое что я попробовал. Методов много, параметров тоже, код быстро превращается в монстра. Полёт теннисного шарика такой код предсказать ещё может, а зигзаг мухи - уже нет.
Если этой нейросети чуть добавить нейронов и слоёв, подать на вход ещё и положение шарика относительно стола, то нейросетка легко и отскок предскажет. А модель с аппроксимацией не сможет. Ну или сможет, если добавить кучу кода, считать соударение упругих тел и весь этот джаз. И решать такой монструозный, багоёмкий код будет только узко ограниченную задачу.
Этот же подход -- более общее решение практически применимое во множестве случаев. И кода тут считай что нет, объяснять и значит поддерживать его намного проще.
Я конечно понимаю, что от темы про машинное обучение во рту становится кисло. И как в том мультике: шо, опять? Наверное по этому сдержанно- негативные отзывы.
А по моему идея класс. Просто недопилена. Нужно было сначала распознать тип обьекта отдельной нейронной сетью, а затем использоаювать отдельную нейронку чисто для этого типа. Для некоторых обьектов лучше не нейронку, а жёсткий алгоритм - так точнее будет.
Достоинство в том, что нейронкой можно апроксимировать то, что ничем другим нельзя. Например, стрекоза - 4 крыла с отдельным асинхронным управлением творят чудеса аэродинамики, там никаких уравнений не напасешься.
Достоинство в том, что нейронкой можно апроксимировать то, что ничем другим нельзя.
Неправда. Существует множество универсальных аппроксиматоров.
В нейронных сетях магии нет. Вы определяете пространство функций, и в его рамках работаете. Абсолютно всё, что можно сделать при помощи нейронных сетей, можно сделать и другими методами (внимание: я не утверждаю, что [на данный момент] это будет выгоднее).
И всё же нет.
Вот представьте себе что исходный объект - это настоящая нейронная сеть. Автор в принципе указал в насекомых. Как понять как стрекоза будет шарахаться? Это как раз тот уровень, что наши нейронные сети могут осилить. Хотя там всё тоже не просто. Савельев рассказывал, что у насекомых нейроны сильно более трёхмерные чем у нас (слоёв в разы больше), поэтому гораздо меньший массив способен на сильно большее. Мы берём большой площадью коры головного мозга. Но если пытаться моделировать не всю стрекозу, а только её двигательный аппарт - то может и справимся.
Ну и чем лучше всего натeральную нейронную сеть моделировать как не искуственной нейронной сетью? Ну очевидно же что всё другое менее эффективно.
Нет, извините, неочевидно. Кроме того, вы уводите разговор в сторону: разговор не шёл об эффективности, но о невозможности аппроксимировать какую-то функцию чем-то иным, нежели нейронной сетью.
Никуда я не ухожу. С самого начала сказал, что не всё нужно моделировать нейронной сетью. Конечно полёт снаряда точнее и эффективнее моделировать несколькими дифференциальными уровнениями.
Натуральную нейронную сеть (автор статьи заявил насекомых) таки лучше моделировать искуственной нейронной сетью.
Тут были статьи про фильтры Калмана - они также оптимально предсказывают, если есть модель процесса.
Осталось определить слово оптимально :)
Расчетные значения математических ожиданий при этом являются
оптимальными оценками по критерию среднеквадратической ошибки, что и
обуславливает его широкое применение.
это википедия говорит - я к сожалению не совсем математик, эти фильтры пацаны синтезировали, а я просто рядом стоял.
Предсказание траектории летящего объекта