Это не обзорная статья, а продукт ChatGPT или машинного перевода компиляции рекламных буклетиков программных (технических) решений. В статье 99% - вода, 1% полезного - термины и ключевые слова. Нет никакого сравнения: ни количественного, ни качественного. Описание поверхностное. За такую первую главу диссертации в аспирантуре нужно отправлять обратно на второй курс первой ступени образования доучиваться.
Чтобы я рекомендовал автору: 1) Чётко прописать случаи, где ПИД проявляет себя хуже и почему (в статье об этом одно предложение). 2) Систематизировать (в виде таблицы, например) подходы к интеллектуальному управлению и предлагаемые разработчиками решения. 3) Дать количественную (или хотя бы качественную) оценку подходам или решениям. Либо на конкретных примерах привести области применения этих подходов или решений. 4) Техническая статья требует схем, формул. Естественный язык богат для описания мира, но неточен и "избыточен" (одной формулой можно описать то, что написано на целой странице). Это к вопросу глубины проработки материала и восприятия статьи целевой аудиторией в целом. 5) Следить за стилем изложения. Меньше воды - больше конкретики. Местами у Вас явно проглядывают артефакты машинного перевода, например, заголовок: "Еще нечеткой логики", что похоже на перевод заголовка "More fuzzy logic" более привычного для англоязычной аудитории.
Если 1D модель настраивается по данным испытаний, то ее можно использовать для того, чтобы насчитать нужное нам количество режимов для обучения нейронной сети. После этого можно заменить эту модель нейронной сеткой, которая вместо долгого и нудного расчета физических уравнений будет вычислять мгновенно выход по входу, полностью повторяя отклик реальной физической модели (а, значит, и объекта).
Здесь именно и имеет место "классический" вариант суррогатного моделирования. А вот дальше у Вас развивается идея:
В итоге точные и быстрые модели получаются на «раз, два, три»:
1) Ставим батарейку на стенд и разряжаем, накапливая данные (железо)
2) Обучаем нейронную сеть на данных по разряду (модель)
3) Вставляем обученную нейросеть в модель 1D (модель)
Но и тут в Вашем МЖМ одна модель - суррогатная. Хотя идея использовать в одном контуре суррогатную модель и прямую модель (1D-модель или, как в последнее время некоторые на западный манер называют, "физическую", что далеко означает не физическую модель) имеет перспективы. В Вашем примере, если я правильно понимаю, прямая модель нужна для: а) дополнения экспериментальных данных теоретическими (расширение обучающей выборки), б) выборочная валидация суррогатной модели (оценка адекватности суррогатной модели, возможно, в режиме параллельного "боевого" функционирования параллельно работе реального объекта). Так? Или Вы ещё для другого "вставляете" нейронку в модель?
Соглашусь, в статье много неточностей и ошибок. Например, в качестве различий приводятся одни и те же методы ИИ и МО: "ИИ использует нейросети, а МО, наоборот, использует нейросети".
Я бы скорее выразился так. Искусственный интеллект - это предметная область, а машинное обучение - набор подходов и методов для решения задач в области искусственного интеллекта. Хотя и это нестрогое определение.
Обычно, когда говорят про машинное обучение, имеют ввиду искусственный интеллект. И наоборот, когда говорят про искусственный интеллект, имеют ввиду машинное обучение. Те же экспертные системы можно уверенно считать машинным обучением, но только дедуктивным (задаются "общие" правила - знания эксперта - опираясь на которые машина рассуждает или принимает решение по "частному" случаю), в то время как "классическое" машинное обучение - индуктивное (на основе некоторого количества "частных" случаев строится "общее" правило, применимое к новым частным случаям).
На мой взгляд, некорректное сравнение. Google Colab - разве не web-обёртка для JupyterNotebook? Есть нативные веб-сервисы типа JupyterLab. Вот их и можно было сравнить с Colab. А десктоп-версия JupyterLab есть и в VS Code, и в PyCharm. Выглядит как сравнение: что лучше Git или GitHub...
По загрузке файлов в Colab. Можно загрузить файл во временное хранилище (в панели слева) и не мучиться с Google-диском, получив через контекстное меню (ПКМ по файлу в панели слева) относительный путь. Файл будет храниться до конца рабочей сессии. Это же есть и в JupyterLab.
Не совсем понятно, что иллюстрирует первая картинка. Скажите, суть статьи состоит в том, что Вы решаете дифференциальное уравнение через задачу аппроксимации? В заголовке тогда обозначен всего лишь один из этапов решения задачи. В тексте у Вас в качестве модели записана алгебраическая сумма двух экспонент. Верно ли то, что эта модель может аппроксимировать любую функцию, как указано в заголовке? А если нет, то есть ли у вас рекомендации: какую модель стоит выбрать и в каком случае?
Во всех работах (научных, научно-популярных статьях и пр.) принято вводить в начале (при первом употреблении) используемые сокращения, чтобы читатель мог понять автора, а не гадать. Это и помогло бы избежать лишних споров и комментариев, по объёму превышающих сам пост.
Есть готовые разработки - зачем САФУ изобретать велосипед?! Тот же Антиплагиат.ру, чьи разработчики - резиденты Сколково. За все вузы РФ не скажу, но знакомые мне - заключают договора и используют его. И в подобных сервисах обтекаемо может формулироваться "искусственность" текста, например, так, что сервис предоставляет справочную информацию, а далее необходимо дать итоговую оценку, экспертными методами. Антиплагиат, по-моему так и делает - см. на их оф.сайте раздел "Методология".
Такие системы как Антиплагиат.ру способны выявлять факт применения генеративных нейросетей при анализе текста, поэтому, я думаю, могут и количественно оценить объём такого текста по отношению к общему.
Подскажите, пожалуйста, а чем отличается "символьное программирование" от встречающихся терминов "символьные вычисления" и "символьная математика"? Если есть "символьное программирование" (реализующее символьные преобразования математических выражений), то можно ли тогда говорить о "численном программировании" (как реализующем численные методы решения уравнений, например)? Или это всё-таки способ вычислений, реализуемый в рамках какой-либо парадигмы программирования?
Судя по всему, дело у Вас не в региональных настройках, а в кодировке. Один ПК сохраняет в одной, а второй (или этот же) по умолчанию считывает в другой. Попробуйте на первом ПК сохранить в utf-кодировке и открыть на другом.
Это не обзорная статья, а продукт ChatGPT или машинного перевода компиляции рекламных буклетиков программных (технических) решений. В статье 99% - вода, 1% полезного - термины и ключевые слова. Нет никакого сравнения: ни количественного, ни качественного. Описание поверхностное. За такую первую главу диссертации в аспирантуре нужно отправлять обратно на второй курс первой ступени образования доучиваться.
Чтобы я рекомендовал автору:
1) Чётко прописать случаи, где ПИД проявляет себя хуже и почему (в статье об этом одно предложение).
2) Систематизировать (в виде таблицы, например) подходы к интеллектуальному управлению и предлагаемые разработчиками решения.
3) Дать количественную (или хотя бы качественную) оценку подходам или решениям. Либо на конкретных примерах привести области применения этих подходов или решений.
4) Техническая статья требует схем, формул. Естественный язык богат для описания мира, но неточен и "избыточен" (одной формулой можно описать то, что написано на целой странице). Это к вопросу глубины проработки материала и восприятия статьи целевой аудиторией в целом.
5) Следить за стилем изложения. Меньше воды - больше конкретики. Местами у Вас явно проглядывают артефакты машинного перевода, например, заголовок: "Еще нечеткой логики", что похоже на перевод заголовка "More fuzzy logic" более привычного для англоязычной аудитории.
А Росатом разве не продвигает свою среду моделирования - Repeat?
Здесь именно и имеет место "классический" вариант суррогатного моделирования. А вот дальше у Вас развивается идея:
Но и тут в Вашем МЖМ одна модель - суррогатная. Хотя идея использовать в одном контуре суррогатную модель и прямую модель (1D-модель или, как в последнее время некоторые на западный манер называют, "физическую", что далеко означает не физическую модель) имеет перспективы. В Вашем примере, если я правильно понимаю, прямая модель нужна для: а) дополнения экспериментальных данных теоретическими (расширение обучающей выборки), б) выборочная валидация суррогатной модели (оценка адекватности суррогатной модели, возможно, в режиме параллельного "боевого" функционирования параллельно работе реального объекта). Так? Или Вы ещё для другого "вставляете" нейронку в модель?
Соглашусь, в статье много неточностей и ошибок. Например, в качестве различий приводятся одни и те же методы ИИ и МО: "ИИ использует нейросети, а МО, наоборот, использует нейросети".
Я бы скорее выразился так. Искусственный интеллект - это предметная область, а машинное обучение - набор подходов и методов для решения задач в области искусственного интеллекта. Хотя и это нестрогое определение.
Обычно, когда говорят про машинное обучение, имеют ввиду искусственный интеллект. И наоборот, когда говорят про искусственный интеллект, имеют ввиду машинное обучение. Те же экспертные системы можно уверенно считать машинным обучением, но только дедуктивным (задаются "общие" правила - знания эксперта - опираясь на которые машина рассуждает или принимает решение по "частному" случаю), в то время как "классическое" машинное обучение - индуктивное (на основе некоторого количества "частных" случаев строится "общее" правило, применимое к новым частным случаям).
На мой взгляд, некорректное сравнение. Google Colab - разве не web-обёртка для JupyterNotebook? Есть нативные веб-сервисы типа JupyterLab. Вот их и можно было сравнить с Colab. А десктоп-версия JupyterLab есть и в VS Code, и в PyCharm. Выглядит как сравнение: что лучше Git или GitHub...
По загрузке файлов в Colab. Можно загрузить файл во временное хранилище (в панели слева) и не мучиться с Google-диском, получив через контекстное меню (ПКМ по файлу в панели слева) относительный путь. Файл будет храниться до конца рабочей сессии. Это же есть и в JupyterLab.
И почему же не можете? Discord же - продукт зарубежных разработчиков. И вот, получается, уже говорите.
Не совсем понятно, что иллюстрирует первая картинка.
Скажите, суть статьи состоит в том, что Вы решаете дифференциальное уравнение через задачу аппроксимации? В заголовке тогда обозначен всего лишь один из этапов решения задачи.
В тексте у Вас в качестве модели записана алгебраическая сумма двух экспонент. Верно ли то, что эта модель может аппроксимировать любую функцию, как указано в заголовке? А если нет, то есть ли у вас рекомендации: какую модель стоит выбрать и в каком случае?
Во всех работах (научных, научно-популярных статьях и пр.) принято вводить в начале (при первом употреблении) используемые сокращения, чтобы читатель мог понять автора, а не гадать. Это и помогло бы избежать лишних споров и комментариев, по объёму превышающих сам пост.
Есть готовые разработки - зачем САФУ изобретать велосипед?! Тот же Антиплагиат.ру, чьи разработчики - резиденты Сколково. За все вузы РФ не скажу, но знакомые мне - заключают договора и используют его. И в подобных сервисах обтекаемо может формулироваться "искусственность" текста, например, так, что сервис предоставляет справочную информацию, а далее необходимо дать итоговую оценку, экспертными методами. Антиплагиат, по-моему так и делает - см. на их оф.сайте раздел "Методология".
Такие системы как Антиплагиат.ру способны выявлять факт применения генеративных нейросетей при анализе текста, поэтому, я думаю, могут и количественно оценить объём такого текста по отношению к общему.
Подскажите, пожалуйста, а чем отличается "символьное программирование" от встречающихся терминов "символьные вычисления" и "символьная математика"? Если есть "символьное программирование" (реализующее символьные преобразования математических выражений), то можно ли тогда говорить о "численном программировании" (как реализующем численные методы решения уравнений, например)? Или это всё-таки способ вычислений, реализуемый в рамках какой-либо парадигмы программирования?
Судя по всему, дело у Вас не в региональных настройках, а в кодировке. Один ПК сохраняет в одной, а второй (или этот же) по умолчанию считывает в другой. Попробуйте на первом ПК сохранить в utf-кодировке и открыть на другом.