Основательно)
Вот именно — переводят, чтобы поняли. Добавлю только, чтобы поняли ПРАВИЛЬНО, без искажений.
Наличие в тексте слова image в большинстве случаев связано со снимками: медицинскими, спутниковыми или в базе данных ImageNet. Когда речь идет, скажем, о фотографиях или изображения на выходе из декодировщика, то это будет соответственно фотография и изображение. Однако, слово снимок позволяет излагать материал глаже и значит понятнее, потому что это именное существительное и потому что оно может использоваться как определение.
Уже отмечал выше, проблема с термином МО в том, что он рождает пустые сущности, а значит уводит в сторону. Весь предмет machine learning сфокусирован на САМООБУЧЕНИИ, т.е. автоматическом усвоении закономерностей. У нас же ниоткуда возникает учитель. Это как раз тот случай, когда говорят «как корабль назовешь, так он и поплывет».
Усвоение знаний у животных объясняет павловская теория условных-безусловных рефлексов. Сюда еще в последнее время добавился надиндивидуальный уровень — усвоение знаний на уровне роя. Усвоение знаний у людей объясняется бихейвиористской теорией, теорией Б.Блума и пр. Усвоение знаний у машин… и тут вы в чем-то правы… объясняется всеми предыдущими, но здесь оно происходит как моделирование процессов, протекающих у людей. Однако предмет один и тот же — усвоение знаний.
Не только педагогика, но и психология, когнитивистика и пр. Не суть. В замкнутом терминологическом мире (closed world) термины переплетены, но каждый однозначно определяет некое понятие/явление в нем. Как совокупность они определяются на более высоком уровне. Поэтому теория усвоения знаний определяет то, что находится ниже в иерархии.
Все ваше рассуждение разбивается о название «Теория усвоения знаний» aka learning theory. Как тут ни крути, но придется согласиться с иерархией learning -> learning theory -> (animal learning, human learning, machine learning)
Не вижу необходимости. Но немалое число из них было у нас бестселлерами. Говорю без ложной скромности, так как сами книги были бестселлерами на английском. Но в этом была и моя заслуга, так как удалось передать содержание неискаженным.
НИТИ бывают встроенные (имплементируемые на уровне ОС) и эмулируемые самим интерпретатором (зеленые). НИТИ могут исполняться «конкурентно» одним процессором благодаря механизму переключения контекста. Вкратце: выполняется N операций одного НИТИ, потом контекст переключается и выполняется N операций другой.
В чем проблема, собственно?
Про bias без комментариев. Как грится, на вашу совесть))
Правильно говорить потеря, если мы говорим о функции потери. Далее, данные делятся на 2 среза (splits): тренировочный и тестовый, бывает что и на 3 (плюс валидационный). В целях соблюдения стилистического параллелизма здесь не должно быть отпричастных прилагательных, поэтому тренировочный срез. Насколько я знаю стохастический градиентный спуск как раз и занимается тем, о чем я пишу в указанной вами цитате.
На сколько мне известно на этом же сайте можно найти статью про нити. Статья за 2009 год, кажется. Так что про историю вопросы вы немного ошибаетесь. Термины lock и thread означают то, что они означают — именное существительно замок и такое же существительное нить Точка. Нормальный переводчик никогда не вмешивается в авторскую письменную речь. А если у него такой позыв возникает, то ему следует написать свою книгу.
Понятность и доступность обеспечивается соотнесением 1:1, отсутствие отглагольных существительных, когда требуется именное, единообразием терминологии и Бритвой Оккама (не порождай пустых сущностей)
Вот именно — переводят, чтобы поняли. Добавлю только, чтобы поняли ПРАВИЛЬНО, без искажений.
Наличие в тексте слова image в большинстве случаев связано со снимками: медицинскими, спутниковыми или в базе данных ImageNet. Когда речь идет, скажем, о фотографиях или изображения на выходе из декодировщика, то это будет соответственно фотография и изображение. Однако, слово снимок позволяет излагать материал глаже и значит понятнее, потому что это именное существительное и потому что оно может использоваться как определение.
Уже отмечал выше, проблема с термином МО в том, что он рождает пустые сущности, а значит уводит в сторону. Весь предмет machine learning сфокусирован на САМООБУЧЕНИИ, т.е. автоматическом усвоении закономерностей. У нас же ниоткуда возникает учитель. Это как раз тот случай, когда говорят «как корабль назовешь, так он и поплывет».
В чем проблема, собственно?
Про bias без комментариев. Как грится, на вашу совесть))
Но речь-то вообще о терминологии. А это, как говорят в Одессе, две разные вещи)
Понятность и доступность обеспечивается соотнесением 1:1, отсутствие отглагольных существительных, когда требуется именное, единообразием терминологии и Бритвой Оккама (не порождай пустых сущностей)