У нас в solution'e есть несколько проектов, в которых происходит регистрация одних и тех же компонентов.
Можно ли сделать так, чтобы при щелчке на magic hat выпадал список мест, где зарегистрирован компонент?
Да, официального заявления не было.
Но известно, что с 11 по 15 июня в в Сан-Франциско Apple проведет конференцию WWDC. На ней, как ранее сообщал со ссылкой на «заслуживающие доверия источники» техноблог 9to5mac.com, компания может объявить о замене Google Maps собственными картами с 3D-режимом.
Так что ждем.
Это формула записана в терминах Mathematica. N[expr] — численно вычислить выражение expr. Integrate[f, {x, xmin, xmax}] — интеграл функции f по х в интервале от xmin до xmax. PDF[dist, x] — функция плотности вероятности для распределения dist в точке x. CDF[dist,x] — функция распределения случайной величины для распределения dist в точке x. BetaDistribution[alfa, beta] — непрерывное бета-распределение с параметрами alfa, beta.
Можно в Visual Studio запустить программу на отладку, поставить breakpoint в метод, ассемблерный код которого хотим посмотреть, и, когда программа остановится на breakpoint'e, нажать правой кнопкой мыши на методе и в меню выбрать «Go To Disassembly».
Поподробней и на русском это была бы, наверное, отдельная статья.
Такая задача предлагалась в книге Питера Норвига «Искусственный интеллект: современный подход».
Write a program to do segmentation of words without spaces. Given a string, such
as the URL «thelongcstlistofthelongeststuffatthelongestdornainnameatlonglast.corn,» return a
list of component words: [«the,» «longest,» «list,» ...]. This task is useful for parsing URLs,
for spelling correction when words =together, and for languages such as Chinese that do
not have spaces between words. It can be solved with a unigram or bigram word model and
a dynamic programming algorithm similar to the Viterbi algorithm.
Пример решения этой задачи на Python можно посмотреть здесь. См. классы UnigramTextModel, NgramTextModel и функцию viterbi_segment.
Попробую упростить понимание PMI, исходя из формулы.
По формуле условной вероятности P(A|B) = P(A&B)/P(B), аналогично P(B|A) = P(A&B)/P(A).
Таким образом P(A & B) / (P(A)*P(B)) можно переписать иначе.
P(A & B) / (P(A)*P(B)) = P(A|B)/P(A) = P(B|A)/P(B)
Что это нам дает? Это нам дает связь между событиями в виде одного коэффициента lift(A,B):
lift(A,B) = P(A|B)/P(A) = P(B|A)/P(B)
Его легко трактовать. Он говорит во сколько раз возрастает вероятность события A при наблюдении события B и наоборот. Если lift(A,B) = 1, то наблюдение одного события не влияет на вероятность другого события (события скорее всего никак не связаны между собой), если lift(A,B) > 1, то наблюдение одного события увеличивает в lift(A,B) раз вероятность другого события (наблюдается положительная корреляция между событиями), и, наконец, lift(A,B) < 1 уменьшает вероятность одного из событий при наблюдении другого события.
Рассмотрим простой пример, чтобы лучше понять. У нас есть 10000 чеков с покупками. В 6000 чеков есть покупка компьютерных игр, в 7500 чеках есть покупка видео, в 4000 чеков одновременно есть и покупка видео и компьютерных игр. Прикинем вереоятности.
Вероятность покупки игры
P(game) = 6000/10000 = 0.6 (60%)
Вероятность покупки видео
P(video) = 7500/10000 = 0.75 (75%)
Вероятность покупки игры, при условии, что в чеке есть покупка видео
P(game|video) = 4000/7500 = 0.533 (53.3%)
Вероятность покупки видео, при условии, что в чеке есть покупка компьютерной игры
P(video|game) = 4000/6000 = 0.667 (66.7%)
Как мы видим P(game) > P(game|video), аналогично P(video) > P(video|game). T.e. наблюдение одного из событий уменьшает вероятность наблюдения другого события. Можем даже посчитать во сколько раз:
lift(game,video) = P(game|video) / P(game) = 0.889 = P(video|game) / P(video)
Итак, P(A & B) / (P(A)*P(B)) = lift(A,B) — коэффициент, который показывает связь между событиями.
Таким образом можно переписать PMI иначе:
PMI(A,B) = log(lift(A,B))
Если события независимы lift(A,B) = 1, а PMI тогда будет 0. Если наблюдается положительная корреляция, то lift(A,B) > 1, а PMI тогда будет > 0, и, наконец, если наблюдается отрицательная корреляция, то lift(A,B) < 1, а PMI тогда будет < 0.
Таким образом, PMI — это показатель степени связи между событиями.
Может кому будет интересно: История М.
Надеюсь, он выживет после этого сообщения.
Можно ли сделать так, чтобы при щелчке на magic hat выпадал список мест, где зарегистрирован компонент?
Но известно, что с 11 по 15 июня в в Сан-Франциско Apple проведет конференцию WWDC. На ней, как ранее сообщал со ссылкой на «заслуживающие доверия источники» техноблог 9to5mac.com, компания может объявить о замене Google Maps собственными картами с 3D-режимом.
Так что ждем.
N[expr] — численно вычислить выражение expr.
Integrate[f, {x, xmin, xmax}] — интеграл функции f по х в интервале от xmin до xmax.
PDF[dist, x] — функция плотности вероятности для распределения dist в точке x.
CDF[dist,x] — функция распределения случайной величины для распределения dist в точке x.
BetaDistribution[alfa, beta] — непрерывное бета-распределение с параметрами alfa, beta.
— Сегодня я вам расскажу о ленивых вычислениях. Есть вопросы?
Такая задача предлагалась в книге Питера Норвига «Искусственный интеллект: современный подход».
Write a program to do segmentation of words without spaces. Given a string, such
as the URL «thelongcstlistofthelongeststuffatthelongestdornainnameatlonglast.corn,» return a
list of component words: [«the,» «longest,» «list,» ...]. This task is useful for parsing URLs,
for spelling correction when words =together, and for languages such as Chinese that do
not have spaces between words. It can be solved with a unigram or bigram word model and
a dynamic programming algorithm similar to the Viterbi algorithm.
Пример решения этой задачи на Python можно посмотреть здесь. См. классы UnigramTextModel, NgramTextModel и функцию viterbi_segment.
По формуле условной вероятности P(A|B) = P(A&B)/P(B), аналогично P(B|A) = P(A&B)/P(A).
Таким образом P(A & B) / (P(A)*P(B)) можно переписать иначе.
P(A & B) / (P(A)*P(B)) = P(A|B)/P(A) = P(B|A)/P(B)
Что это нам дает? Это нам дает связь между событиями в виде одного коэффициента lift(A,B):
lift(A,B) = P(A|B)/P(A) = P(B|A)/P(B)
Его легко трактовать. Он говорит во сколько раз возрастает вероятность события A при наблюдении события B и наоборот. Если lift(A,B) = 1, то наблюдение одного события не влияет на вероятность другого события (события скорее всего никак не связаны между собой), если lift(A,B) > 1, то наблюдение одного события увеличивает в lift(A,B) раз вероятность другого события (наблюдается положительная корреляция между событиями), и, наконец, lift(A,B) < 1 уменьшает вероятность одного из событий при наблюдении другого события.
Рассмотрим простой пример, чтобы лучше понять. У нас есть 10000 чеков с покупками. В 6000 чеков есть покупка компьютерных игр, в 7500 чеках есть покупка видео, в 4000 чеков одновременно есть и покупка видео и компьютерных игр. Прикинем вереоятности.
Вероятность покупки игры
P(game) = 6000/10000 = 0.6 (60%)
Вероятность покупки видео
P(video) = 7500/10000 = 0.75 (75%)
Вероятность покупки игры, при условии, что в чеке есть покупка видео
P(game|video) = 4000/7500 = 0.533 (53.3%)
Вероятность покупки видео, при условии, что в чеке есть покупка компьютерной игры
P(video|game) = 4000/6000 = 0.667 (66.7%)
Как мы видим P(game) > P(game|video), аналогично P(video) > P(video|game). T.e. наблюдение одного из событий уменьшает вероятность наблюдения другого события. Можем даже посчитать во сколько раз:
lift(game,video) = P(game|video) / P(game) = 0.889 = P(video|game) / P(video)
Итак, P(A & B) / (P(A)*P(B)) = lift(A,B) — коэффициент, который показывает связь между событиями.
Таким образом можно переписать PMI иначе:
PMI(A,B) = log(lift(A,B))
Если события независимы lift(A,B) = 1, а PMI тогда будет 0. Если наблюдается положительная корреляция, то lift(A,B) > 1, а PMI тогда будет > 0, и, наконец, если наблюдается отрицательная корреляция, то lift(A,B) < 1, а PMI тогда будет < 0.
Таким образом, PMI — это показатель степени связи между событиями.