Статья скорее не про логику нейросетей, а про аппроксимацию распределений. Видно, что писал человек, который силён статистике, простым людям читать тяжеловато. Тут могли бы помочь наглядные блок-схемы, чтобы можно было понять, что за «логику» мы пытаемся приблизить нейросетью.

WhiteBlackGoose Sep 18 2019 at 22:57

LSTM… новички? Как раз рнн это та область, про которую я бы не стал столько уверенно что-то утверждать. Предсказание результата абсолютно нетривиально, даже в отличии от тех же сверток, их очень тяжело понять интуитивно. А LSTM это еще и жирная сетка по своей логике. А насчет закономерностей… ну в принципе либо она аппроксимируется, либо нет. Новичку было бы интересно узнать про то, как не следует использовать нейросети. Привожу пример:
У тебя есть данные по стоимости участков. Даны X={ширина; длина} участка, y={стоимость} участка. Если взять сетку или почти любую другую модель ML и попытаться обучить — ничего не выйдет.
И тут мы плавно подходим к следующему. ML — это сначала о данных, лишь потом о всяких нейросетях. ИМХО, это было бы более полезно новичку. Отакота

KirEv Sep 20 2019 at 03:41

эти графики и «логики» напомнили университетский курс нейросетей… а еще больше — курс чисельных методов с элементами статистики )

а с сетями, сложность построения в другом, суть: построить такую сеть для решения задачи, которую возможно «малой кровью» обучить, это как ребенка учить умножения, типо, 3х4, это трижды по четыре… или нейросеть на определение желтого, в период обучения входные данные содержат картинку с оттенками желтого с пометной «правильно», и картинки с другими оттенками с пометками «неправильно», в итоге нейросеть с большой вероятностью правильно определит оттенок цвета «самостоятельно», в зависимости от «качества обучения».