Так вроде и квантовая физика по сути это набор догм логически ничем не объяснимых. Так что в нее можно только верить что это она работает. А может причины явлений совсем другие.
Замечание: в предложении ...все же не более широкое понятие.. "не" это опечатка, т.к. Computer Science включает в себя программирование.
Про модели и язык науки математику, вряд ли можно найти убедительные примеры где она используется, скажем, в таких науках как философия, биология, история и т.п.
Признаки науки это в первую очередь четкая классификация терминов и понятий, а также логические доказательства утверждений, если они нужны в ходе построения теории или исследований. Computer science - наука о компьютерах - все же не более широкое понятие чем программирование. Computer science, к тому же имеет довольно размытые границы. Например, разработка микропроцессоров и разработка баз данных все же разные области, хотя к Computer Science относятся.
Согласен с Вами. На выбор языка влияет большое число факторов, и самих языков очень много. Но каждый каким-то образом формирует свое мнение о важности или пользе изучения языка программирования, и это мнение может (или не может) высказать в этом опросе. Было время когда все начинали с Бейсика и на тот момент вопросов об этом не возникало, т.к. вариантов практически не было. Сейчас же ситуация гораздо сложнее.
На счет Delphi соглашусь. В плане изучения структурного, объектно-ориентированного программирования и визуального конструирования оконного интерфейса он спроектирован великолепно.
Да, некоторые знакомые, тоже попросили сделать выбор из нескольких вариантов. Возможно это было бы интереснее. Но, к сожалению, технически нельзя поменять тип опроса после его публикации. И если заменить его, то уже данные ответы пропадут, что было бы некорректно по отношению к тем, кто уже проголосовал. С другой стороны, выделить по важности один из языков наверно все же возможно.
Вопрос закономерный. Тесты на сложных данных в программной реализации даже в несколько потоков сейчас вряд ли возможны за приемлемое время. Впрочем, так же как и задачи быстрой визуализации в 3D графике, например. Поэтому для них делают аппаратные ускорители ).
Затронули интересный вопрос. В процессе его решения лично я пришел к довольно неожиданному, двоякому результату. Во-первых, действительно, возбуждение нейрона означает, что все входы у него актуальны на данный момент. И тогда передача данных по сети должна представляться как передача некой волны сигнала, на фронте которой возбуждаются нейроны. На практике для этого нужно запрограммировать специальный механизм, который находит все нейроны на фронте (можно назвать это уровнем) этой волны, независимо подставляет в них данные, выполняет нейронные функции и находит нейроны реципиенты, которые будут возбуждены на следующем шаге волны, и т.д.
Однако, после создания такого механизма на практике, получилось, что для вычисления функции метрики в процессе обучения нужно было прогонять обучающие входы через всю матрицу от первой строки до текущей последней и получать выходы. Теоретически так и надо делать, но для отладки это долго. Ведь изменяются только параметры нейронов последней (одной) строки, а прогонять тестовые значения приходится через всю матрицу. Если структура матрицы такова, что выходы на предыдущей строке на заданных входах остаются известными, то эти выходы и будут входами следующей обучаемой строки. Эта модификация, на мой взгляд, не сильно меняет концепцию одновременной обработки данных нейронами. Просто в этом случае мы ограничиваем «фронт волны» одной единственной строкой. То есть принимаем что одновременно могут возбуждаться только нейроны одной строки, затем данные передаются на следующую строку и т.д.
Если кратко, то в текущей программной реализации пришлось идти на уловки которые позволяют достичь эффекта параллельности при фактически последовательном алгоритме. Но в принципе, в требованиях к функции нейрона указано, что последовательность применения входных значений не меняет выход нейрона, что позволяет распаралелить процесс.
Последовательное, построчное построение функции матрицы позволяет эффективно оптимизировать процесс обучения за счет замены полного перебора комбинаций бинарных функций всех нейронов матрицы полным перебором комбинаций функций нейронов строк.
Согласитесь, что, например, восемь полных переборов восьми нейронов каждой из строк по отдельности быстрее чем полный перебор всей матрицы 8x8.
Так вроде и квантовая физика по сути это набор догм логически ничем не объяснимых. Так что в нее можно только верить что это она работает. А может причины явлений совсем другие.
Замечание: в предложении ...все же не более широкое понятие.. "не" это опечатка, т.к. Computer Science включает в себя программирование.
Про модели и язык науки математику, вряд ли можно найти убедительные примеры где она используется, скажем, в таких науках как философия, биология, история и т.п.
Признаки науки это в первую очередь четкая классификация терминов и понятий, а также логические доказательства утверждений, если они нужны в ходе построения теории или исследований. Computer science - наука о компьютерах - все же не более широкое понятие чем программирование. Computer science, к тому же имеет довольно размытые границы. Например, разработка микропроцессоров и разработка баз данных все же разные области, хотя к Computer Science относятся.
Согласен с Вами. На выбор языка влияет большое число факторов, и самих языков очень много. Но каждый каким-то образом формирует свое мнение о важности или пользе изучения языка программирования, и это мнение может (или не может) высказать в этом опросе. Было время когда все начинали с Бейсика и на тот момент вопросов об этом не возникало, т.к. вариантов практически не было. Сейчас же ситуация гораздо сложнее.
Однако, после создания такого механизма на практике, получилось, что для вычисления функции метрики в процессе обучения нужно было прогонять обучающие входы через всю матрицу от первой строки до текущей последней и получать выходы. Теоретически так и надо делать, но для отладки это долго. Ведь изменяются только параметры нейронов последней (одной) строки, а прогонять тестовые значения приходится через всю матрицу. Если структура матрицы такова, что выходы на предыдущей строке на заданных входах остаются известными, то эти выходы и будут входами следующей обучаемой строки. Эта модификация, на мой взгляд, не сильно меняет концепцию одновременной обработки данных нейронами. Просто в этом случае мы ограничиваем «фронт волны» одной единственной строкой. То есть принимаем что одновременно могут возбуждаться только нейроны одной строки, затем данные передаются на следующую строку и т.д.
Согласитесь, что, например, восемь полных переборов восьми нейронов каждой из строк по отдельности быстрее чем полный перебор всей матрицы 8x8.