Человек же это делает. Вы понимаете одновременно, что два предмета — это столы, но это разные столы.
Сначала нужно понять, как это происходит в уме и тогда не нужно ничего изобретать.
Есть набор относительных признаков, инвариантных к направлению, расстоянию и положению предметов в пространстве. Это работа драйвера на 90% и работа классификатора на определение нескольких вариантов, определяющих разные проекции предмета на плоскость зрения.
Если правильно выделить фазовое пространство, классификатор его правильно классифицирует.
Вы не решили философский вопрос подобия и тождественности, поэтому не воспринимаете соответствующую математику.
Подобие связано с тем, что есть множественные индивидуальные экземляры чего-то, распознаваемого как сходные объекты
Тождественность связана с тем, что распознается один индивидуальный экземпляр в разных ситуациях
Здесь не нужна математическая точность. Люди тоже ошибаются, путая близнецов и не узнавая одного и того же человека.
Если перед Вами положить десять песчинок, потом заменить из них пять — Вы вполне можете допустить ошибку.
Задача искусственного интеллекта точно такова же — предположить, что изменилось, по ограниченному набору выявленных признаков сходства/различия.
Именно эту задачу и должен решать проектируемый классификатор
Смотрите, во первых, не дерево, а сеть.
Во-вторых близость не определяется, а используется разделение на
— обозначаемое, где однозначное определение исходного алфавита и точное соответствие
— и обозначения, где используется множественное вероятностное определение по множеству переходов от признака к признаку
На уровне обозначаемого у нас конкретные символы. Проще говоря для драйвера зрения — это конкретное изменение параметров перехода из одной области конкретного размера в другую область относительного размера в отношении первой, с изменением тона цвета, яркости, контраста и изменения фрактальной плотности.
Это легко измеряется на подтверждение ли опровержение. Можно использовать конкретные градации, когда подтверждено, когда опровергнуто и когда неопределено.
Это все настройки драйверов, реализация которых не существенна для классификатора.
Классификатор оперирует конкретными представлениями о наиболее вероятных переходах от символа к символу.
На примере текста «МАМА МЫЛА РАМУ» мы имеем следующие переходы в драйвере
Р[0] = М->А из 4х М 2 подтверждения, два опровержения
Р[1] = М-->М из 4х М одно подтверждение, два опровержения, одно неопределено (нет символа следующего за У)
Р[2] = М--->А из 4х М два подтверждения, одно опровержение, одно не определено
…
Р[14] = А->М из 4х А два подтверждения, два опровержения
Р[15] = А-->А из 4х А два подтверждения, два опровержения
Одновременно строится сеть классификации
Н[0][0] = Р[0] -> Р[14] из 2х МА одно подтверждение и одно опровержение
H[0]01] = Р[1] -> Р[0] из 2х М.А одно подтверждение и одно опровержение
Одновременно строятся представления порядка H[1][i] и далее, объединяющие переходы более низких уровней.
Задача классификатора построить минимизированные определения наиболее высокого порядка H[max][i] рекурсивно опускающихся до минимального набора переходов Р[i0]->P[j0],… Р[in]->P[jn]
Все полученные контексты (наборы представлений наиболее компактно определяющих ситуацию) также определяются как представления уровня H[max+1][k] и дальше используются в определении новых представлений более высоких уровней.
Стек контекстов должен бы избавиться от метрики и быть неупорядоченным множеством признаков, но, пока непонятно, как это сделать алгоритмически, не создав проблемы комбинаторного взрыва при обратном вычислении контекста. Поэтому пока контексты однозначно определяются на исходные наборы признаков и на драйверы возлагается нагрузка по отображению многомерного динамического пространства измерений в статическое фазовое пространство символов.
Я хочу универсальный классификатор, который в равной степени понимает как ситуацию, разворачивающуюся в текстовой беседе, так и в пространстве объектов
Значение имеет именно выстраивание контекста внутренних представлений, как доказательный эксперимент по тому, что такое понимание ситуации.
Как минимум, после вопросов и уточнений приходит и ясность, как лучше объяснять. С входом пока только сложность, нужно проработать презентацию. Вот и займусь ей пока
Да, с ясностью выражения — проблемы. Но над этим плотно работаю. Будут и иллюстрации и схемы и более последовательные презентации идей. Просто я знаю, сто есть люди уже из этого сумбура многое схватывающие, их и ищу в первую очередь.
Да, в 1987 учился в 7 классе и у нас были БК0010 с фокалом, ДВК-2М и одна БК-0010 с бейсиком и цветным монитором. Четыре года программирования. Плюс практика на КВЦ, Ес-1020, 1022 и 1045. Потом еще появились три Атари 65, а из Венгрии возвращались семьи военных и везли видеотоны. На первом курсе конечно же синклер, кафедра с искрами и мажовиями, ДВК-3 и УКНЦ. Ну а дальше поехали, turbo pascal, 1840, 1842, 1845, turbo c, robotron, abasic, dbase, foxbase, clipper 86, foxpro, 86 хт, 286ат, win 3.0, covox, scream tracker, 386 sx16, win 3.1, sx25, dx40, sound blaster, dos4gw, watcom c, win3.11, 486sx, 486dx, delphi, 3dstudio, corel draw, win95, первый пентиум, .… Ностальгия!
В моем случае это вполне реальные замки. Просто объем исследований — годы и не так уж важно, с какой части начинать знакомить с идеей. Я для входа взял что-то, что требует минимума начальных терминов. После этого можно будет рассмотреть и более общие принципы, и более конкретные детали.
Сначала нужно дать понять, что скрывается за контекстом, за драйвером, за обозначением, за обозначаемым, за их структурой и динамикой.
Я вот вижу, что 54% читателей интересует больше метафизика и философия вопроса. Может быть я проведу для них параллели с санскритскими терминами и древнебуддийскими представлениями о уме и абхидхарме (классификации психических феноменов)
Другим участникам более интересны собственно алгоритмы и техническая реализация.
Я не питаю надежд, что одной статьей можно дать исчерпывающие объяснения. С 1990 года я опубликовал с сотню заметок и вел дискуссии на нескольких ресурсах. Самую обширную на мембране в начале 2000х. Позднее на образце и аиорге. Понемногу публиковал заметки на digitid.livejournal.com. С тех пор и философская составляющая значительно вызрела, и метафизика прояснилась, и конкретные алгоритмы сформулировались и исследования вышли из фазы бумага/эксель/скрипт на уровень потребности в довольно производительном коде в облаках и объемных источниках для проверки гипотез классификации.
Плюс уже можно многие теоремы сформулировать и доказать, а для этого моего интеллекта в одиночку уже недостаточно. Образования не хватает. Системности и методичности. Поэтому начинаю собирать команду исследователей, а для этого знакомлю широкую общественность с идеями.
Семантическая сеть это сеть обозначений. Так или иначе потребуется механизм распознавания обозначаемого, для того, чтобы ИИ на основе семантической сети мог понимать, что из этой сети актуально в данный момент, каков контекст ситуации. Где я, в каком окружении, чем управляю, какие цели, какие метрики, какие допустимые пределы отклонений, какова требуемая вариативность для поиска экстремалей и т.д.
То есть, основа интеллекта это активность в исследованиях и самостоятельный вывод подходящих целей (прогнозирование и планирование). Подходящих — значит имеющих известную ценность и достижимых конкретным поведением, а значит имеющих цену в измерении затрачиваемых ценностей.
Это тактика. Стратегически же ценности тоже выводятся, хотя и предопределяются в значительной степени людьми. Это нравственный аспект, ведь нередко люди вполне рационально ставят ценность человеческой жизни, не говоря уже о ценности здоровья или благополучия ниже каких либо других ценностей, вроде лояльности, послушности, охваченности идеалом все более растущей массы людей.
Проблемы естественного интеллекта остаются и в рамках искусственных его моделей.
О, я хорошо понимаю, как реализовать алгоритм для одномерного фазового пространства. Не представляю я лишь переход к безмерным множествам признаков в контексте. У меня связанность относительных расстояний исходных признаков тащится в контекст, а там она излишняя. Но если ее просто потерять, то теряется опора внимания. Драйверу не найти нужного направления для привязки.
Это вроде проблемы того, что я помню, что где-то лежат ключи, но не знаю точно где они. Есть кандидаты в подходящие места, но я не могу сориентироваться, где эти кандидаты. Их относительные расположения так же неизвестны.
Похоже на задачу найти ключи в незнакомой обстановке, где их могли спрятать в любое место.
Нужен тупой перебор.
Это разрыв непрерывного знания ситуации и постоянной проверки предсказаний. В это придется упереться при недостатке мощностей для отслеживания всех необходимых признаков.
Спасибо за пожелание. Я думаю скорее в терминах обозначения и обозначаемого, хотя догадываюсь О содержании идей контент-адресуемой памяти. Собственно, если говорить технически, я использую две таблицы признаков. Таблица обозначаемого, в которой признаки переходят от одного значения к другому, формируя символы алфавита для фазового пространства, и таблица обозначений, опирающаяся на символы алфавита.
В первой таблице символ это то, что можно легко прочитать драйвером. По адресу такому значение такое. Если точнее это переход. Если ключевое значение источника есть символ 5665445 то у нас из 7345737 попыток со смещением 0.248613322 символ 3654457 встречался 54346 раз и не встречался 3442 раз. Запрашиваем драйвер значение символа по этому смещению и если подтверждаем, то у нас 279 конкретных кандидатов в представления наиболее высокого порядка, а если опровергаем, то 114 других конкретных представлений. Чтобы сократить число кандидатов в контексте, у нас уже готов следующий индекс и ожидаемое значение для проверки.
Я на другой комментарий ответил по этому вопросу. Со сферой восприятия работает драйвер. Его задача — дать отражение этой многомерной сферы в одномерное фазовое пространство.
Как это сделать, например, для трехмерных полярных координат?
В центре находится орган зрения. Направление и расстояние имеют определенную точность, зависимую от углового разрешения. Чем ближе объект, тем больше точек на нем можно различить.
Простейшая метафора сворачивания трехмерного пространства в одномерное, это намотка клубка из нити постоянно увеличивающейся толщины.
Конкретный алгоритм намотки такой нити рассчитывается из таких вводных.
1. Градации дистанции-направления. Их немного.
1а. Интимная дистанция — это дистанция порядка десятка сантиметров. В этой зоне нет необходимости детально исследовать объект. Он либо уже исследован и мы помним о нем (так, человек не разглядывает свой нос, вычеркивая его из восприятия), либо это внезапно и нужно быстро отстраниться для оценки опасности объекта. По сути это очень широкоугольная область размером от крупного до среднего, и от среднего до мелкого. Значима так же скорость движения объекта. Либо ей можно пренебречь, либо нельзя.
1б. Близкофокусная дистанция — это дистанция наиболее тщательного изучения. Это область минимального (порядка 5-8 угловых секунд) углового разрешения в очень узком направлении порядка 3-5 градусов. Очень важный элемент — аккомодация. То есть изучаемая область может быть как на расстоянии 20-70 см, так и на расстоянии 20-70 метров, и даже 200-700 метров. Но число градаций будет одно и то же.
1в. Среднефокусная дистанция — это дистанция основной разметки. Это область делится на три градации
1в' область «впереди» — порядка 90 градусов по горизонтали (45 градусов влево вправо от текущего направления взгляда), порядка 10 градусов вверх и 30 градусов вниз. В этом направлении разрешающая способность порядка 1.5-2.5 градуса. Это направление не требующее движения камеры (глаз)
1в'' область «периферии» — 90 градусов слева и справа от области «впереди», около 40 градусов вверх и около 60 градусов вниз. То есть это область от -135 до 135 градусов по горизонтали и от 50 градусов вверх до 90 градусов вниз по вертикали. В этом направлении разрешающая способность по горизонтали порядка 15 градусов, по вертикали вверх около 10 градусов, вниз около 15 градусов. Это направления, не требующие движения корпуса (головы, тела)
1в''' область требующая движения корпуса, имеющая минимум градаций: сзади, сверху и снизу.
1г Дальнефокусная дистанция. Она практически делится на шесть градаций: впереди, сзади, слева, справа, сверху и снизу.
2. Градации движения
2а. Движение внутри зоны дистанции направления
2б. Движение между зонами направления в одной дистанции
2в. Приближение или удаление.
3. Градации размера объекта с общими характеристиками движения
3а. Целиком в одной зоне направления одной дистанции
3б. Охватывает две зоны направления одной дистанции
3в. Охватывает больше двух зон одной дистанции
3г. Охватывает две зоны дистанции
3д. Охватывает больше двух зон дистанции
Классификатор же восстанавливает пространственное представление ситуации в динамике, по относительному положению представлений о видимых формах и связанности их движения, распознавая содержание ситуации наиболее общими представлениями и предсказывая, где и что искать в следующие моменты.
У меня просто гениальный, простите за громкое слово, подход к обратным связям и выходам :)
Когда Вы запрашиваете у драйвера относительный индекс, Вы формируете внешнее поведение системы. Ведь драйвер не хранит ничего в памяти, он есть прямой интерфейс к конкретной сфере восприятия. И абстрактный индекс 0,5537645543776467 вполне может означать, что драйвер посмотрит и вернет значение, каково изменение относительно текущего значения усредненного цвета области относительно текущего размера на 4% больше, относительно текущего направления взгляда на 2% ближе, 0.4 градуса ниже и 2.32 градуса правее.
Несомненно, есть понятие импринта, когда определенные зоны мозга формируются для запечатления вполне конкретных образов, как только они будут обнаружены
Одномерность датчиков совпадает с последовательной работой ума в процессе узнавания и обобщения. Любая параллельность легко сводится к последовательному потоку и поэтому несущественна. Любая многомерность практически исследуется последовательным движением внимания, направляемым в процессе понимания (классификации ситуации по признакам и представлениям).
Более того, я понимаю, что все в конечном итоге сводится к безмерной модели множеств. Но пока не понимаю, как это реализовать.
Все многомерные модели вполне укладываются в безмерные представления множеств, когда что-либо либо узнается по набору признаков, которые не расположены в каком-либо пространстве и не требуют сопоставления.
За ссылочку на Тома Митчела — спасибо, из-за незнания английского упускаю множество интересного.
Еще 2500 лет назад, в Индии, описывали достаточно точно механизм действия ума. Разница между умом и мозгом примерно такая же, как между музыкой и скрипкой. Но до сих пор пока не нашлось никого, кто реализовал бы модель ума, способную к пониманию.
А так, если что, учебник по физиологии высшей нервной деятельности у меня настольный. Зачитан за несколько лет до дыр, поскольку содержит замечательную экспериментальную базу.
В значительной степени. Кое что все же по прочитанному. Например начальная стадия классификации с пустого классификатора — оказалась очень сложным шагом
Сначала нужно понять, как это происходит в уме и тогда не нужно ничего изобретать.
Есть набор относительных признаков, инвариантных к направлению, расстоянию и положению предметов в пространстве. Это работа драйвера на 90% и работа классификатора на определение нескольких вариантов, определяющих разные проекции предмета на плоскость зрения.
Если правильно выделить фазовое пространство, классификатор его правильно классифицирует.
Вы не решили философский вопрос подобия и тождественности, поэтому не воспринимаете соответствующую математику.
Подобие связано с тем, что есть множественные индивидуальные экземляры чего-то, распознаваемого как сходные объекты
Тождественность связана с тем, что распознается один индивидуальный экземпляр в разных ситуациях
Здесь не нужна математическая точность. Люди тоже ошибаются, путая близнецов и не узнавая одного и того же человека.
Если перед Вами положить десять песчинок, потом заменить из них пять — Вы вполне можете допустить ошибку.
Задача искусственного интеллекта точно такова же — предположить, что изменилось, по ограниченному набору выявленных признаков сходства/различия.
Именно эту задачу и должен решать проектируемый классификатор
Во-вторых близость не определяется, а используется разделение на
— обозначаемое, где однозначное определение исходного алфавита и точное соответствие
— и обозначения, где используется множественное вероятностное определение по множеству переходов от признака к признаку
На уровне обозначаемого у нас конкретные символы. Проще говоря для драйвера зрения — это конкретное изменение параметров перехода из одной области конкретного размера в другую область относительного размера в отношении первой, с изменением тона цвета, яркости, контраста и изменения фрактальной плотности.
Это легко измеряется на подтверждение ли опровержение. Можно использовать конкретные градации, когда подтверждено, когда опровергнуто и когда неопределено.
Это все настройки драйверов, реализация которых не существенна для классификатора.
Классификатор оперирует конкретными представлениями о наиболее вероятных переходах от символа к символу.
На примере текста «МАМА МЫЛА РАМУ» мы имеем следующие переходы в драйвере
Р[0] = М->А из 4х М 2 подтверждения, два опровержения
Р[1] = М-->М из 4х М одно подтверждение, два опровержения, одно неопределено (нет символа следующего за У)
Р[2] = М--->А из 4х М два подтверждения, одно опровержение, одно не определено
…
Р[14] = А->М из 4х А два подтверждения, два опровержения
Р[15] = А-->А из 4х А два подтверждения, два опровержения
Одновременно строится сеть классификации
Н[0][0] = Р[0] -> Р[14] из 2х МА одно подтверждение и одно опровержение
H[0]01] = Р[1] -> Р[0] из 2х М.А одно подтверждение и одно опровержение
Одновременно строятся представления порядка H[1][i] и далее, объединяющие переходы более низких уровней.
Задача классификатора построить минимизированные определения наиболее высокого порядка H[max][i] рекурсивно опускающихся до минимального набора переходов Р[i0]->P[j0],… Р[in]->P[jn]
Все полученные контексты (наборы представлений наиболее компактно определяющих ситуацию) также определяются как представления уровня H[max+1][k] и дальше используются в определении новых представлений более высоких уровней.
Стек контекстов должен бы избавиться от метрики и быть неупорядоченным множеством признаков, но, пока непонятно, как это сделать алгоритмически, не создав проблемы комбинаторного взрыва при обратном вычислении контекста. Поэтому пока контексты однозначно определяются на исходные наборы признаков и на драйверы возлагается нагрузка по отображению многомерного динамического пространства измерений в статическое фазовое пространство символов.
Я придерживаюсь диалектической модели мировоззрения.
За статьи спасибо — почитаю обязательно.
Значение имеет именно выстраивание контекста внутренних представлений, как доказательный эксперимент по тому, что такое понимание ситуации.
Ох, а исправить-то не могу, кармы уже не хватает.
Сначала нужно дать понять, что скрывается за контекстом, за драйвером, за обозначением, за обозначаемым, за их структурой и динамикой.
Я вот вижу, что 54% читателей интересует больше метафизика и философия вопроса. Может быть я проведу для них параллели с санскритскими терминами и древнебуддийскими представлениями о уме и абхидхарме (классификации психических феноменов)
Другим участникам более интересны собственно алгоритмы и техническая реализация.
Я не питаю надежд, что одной статьей можно дать исчерпывающие объяснения. С 1990 года я опубликовал с сотню заметок и вел дискуссии на нескольких ресурсах. Самую обширную на мембране в начале 2000х. Позднее на образце и аиорге. Понемногу публиковал заметки на digitid.livejournal.com. С тех пор и философская составляющая значительно вызрела, и метафизика прояснилась, и конкретные алгоритмы сформулировались и исследования вышли из фазы бумага/эксель/скрипт на уровень потребности в довольно производительном коде в облаках и объемных источниках для проверки гипотез классификации.
Плюс уже можно многие теоремы сформулировать и доказать, а для этого моего интеллекта в одиночку уже недостаточно. Образования не хватает. Системности и методичности. Поэтому начинаю собирать команду исследователей, а для этого знакомлю широкую общественность с идеями.
То есть, основа интеллекта это активность в исследованиях и самостоятельный вывод подходящих целей (прогнозирование и планирование). Подходящих — значит имеющих известную ценность и достижимых конкретным поведением, а значит имеющих цену в измерении затрачиваемых ценностей.
Это тактика. Стратегически же ценности тоже выводятся, хотя и предопределяются в значительной степени людьми. Это нравственный аспект, ведь нередко люди вполне рационально ставят ценность человеческой жизни, не говоря уже о ценности здоровья или благополучия ниже каких либо других ценностей, вроде лояльности, послушности, охваченности идеалом все более растущей массы людей.
Проблемы естественного интеллекта остаются и в рамках искусственных его моделей.
Это вроде проблемы того, что я помню, что где-то лежат ключи, но не знаю точно где они. Есть кандидаты в подходящие места, но я не могу сориентироваться, где эти кандидаты. Их относительные расположения так же неизвестны.
Похоже на задачу найти ключи в незнакомой обстановке, где их могли спрятать в любое место.
Нужен тупой перебор.
Это разрыв непрерывного знания ситуации и постоянной проверки предсказаний. В это придется упереться при недостатке мощностей для отслеживания всех необходимых признаков.
В первой таблице символ это то, что можно легко прочитать драйвером. По адресу такому значение такое. Если точнее это переход. Если ключевое значение источника есть символ 5665445 то у нас из 7345737 попыток со смещением 0.248613322 символ 3654457 встречался 54346 раз и не встречался 3442 раз. Запрашиваем драйвер значение символа по этому смещению и если подтверждаем, то у нас 279 конкретных кандидатов в представления наиболее высокого порядка, а если опровергаем, то 114 других конкретных представлений. Чтобы сократить число кандидатов в контексте, у нас уже готов следующий индекс и ожидаемое значение для проверки.
Как это сделать, например, для трехмерных полярных координат?
В центре находится орган зрения. Направление и расстояние имеют определенную точность, зависимую от углового разрешения. Чем ближе объект, тем больше точек на нем можно различить.
Простейшая метафора сворачивания трехмерного пространства в одномерное, это намотка клубка из нити постоянно увеличивающейся толщины.
Конкретный алгоритм намотки такой нити рассчитывается из таких вводных.
1. Градации дистанции-направления. Их немного.
1а. Интимная дистанция — это дистанция порядка десятка сантиметров. В этой зоне нет необходимости детально исследовать объект. Он либо уже исследован и мы помним о нем (так, человек не разглядывает свой нос, вычеркивая его из восприятия), либо это внезапно и нужно быстро отстраниться для оценки опасности объекта. По сути это очень широкоугольная область размером от крупного до среднего, и от среднего до мелкого. Значима так же скорость движения объекта. Либо ей можно пренебречь, либо нельзя.
1б. Близкофокусная дистанция — это дистанция наиболее тщательного изучения. Это область минимального (порядка 5-8 угловых секунд) углового разрешения в очень узком направлении порядка 3-5 градусов. Очень важный элемент — аккомодация. То есть изучаемая область может быть как на расстоянии 20-70 см, так и на расстоянии 20-70 метров, и даже 200-700 метров. Но число градаций будет одно и то же.
1в. Среднефокусная дистанция — это дистанция основной разметки. Это область делится на три градации
1в' область «впереди» — порядка 90 градусов по горизонтали (45 градусов влево вправо от текущего направления взгляда), порядка 10 градусов вверх и 30 градусов вниз. В этом направлении разрешающая способность порядка 1.5-2.5 градуса. Это направление не требующее движения камеры (глаз)
1в'' область «периферии» — 90 градусов слева и справа от области «впереди», около 40 градусов вверх и около 60 градусов вниз. То есть это область от -135 до 135 градусов по горизонтали и от 50 градусов вверх до 90 градусов вниз по вертикали. В этом направлении разрешающая способность по горизонтали порядка 15 градусов, по вертикали вверх около 10 градусов, вниз около 15 градусов. Это направления, не требующие движения корпуса (головы, тела)
1в''' область требующая движения корпуса, имеющая минимум градаций: сзади, сверху и снизу.
1г Дальнефокусная дистанция. Она практически делится на шесть градаций: впереди, сзади, слева, справа, сверху и снизу.
2. Градации движения
2а. Движение внутри зоны дистанции направления
2б. Движение между зонами направления в одной дистанции
2в. Приближение или удаление.
3. Градации размера объекта с общими характеристиками движения
3а. Целиком в одной зоне направления одной дистанции
3б. Охватывает две зоны направления одной дистанции
3в. Охватывает больше двух зон одной дистанции
3г. Охватывает две зоны дистанции
3д. Охватывает больше двух зон дистанции
Классификатор же восстанавливает пространственное представление ситуации в динамике, по относительному положению представлений о видимых формах и связанности их движения, распознавая содержание ситуации наиболее общими представлениями и предсказывая, где и что искать в следующие моменты.
Когда Вы запрашиваете у драйвера относительный индекс, Вы формируете внешнее поведение системы. Ведь драйвер не хранит ничего в памяти, он есть прямой интерфейс к конкретной сфере восприятия. И абстрактный индекс 0,5537645543776467 вполне может означать, что драйвер посмотрит и вернет значение, каково изменение относительно текущего значения усредненного цвета области относительно текущего размера на 4% больше, относительно текущего направления взгляда на 2% ближе, 0.4 градуса ниже и 2.32 градуса правее.
Одномерность датчиков совпадает с последовательной работой ума в процессе узнавания и обобщения. Любая параллельность легко сводится к последовательному потоку и поэтому несущественна. Любая многомерность практически исследуется последовательным движением внимания, направляемым в процессе понимания (классификации ситуации по признакам и представлениям).
Более того, я понимаю, что все в конечном итоге сводится к безмерной модели множеств. Но пока не понимаю, как это реализовать.
Все многомерные модели вполне укладываются в безмерные представления множеств, когда что-либо либо узнается по набору признаков, которые не расположены в каком-либо пространстве и не требуют сопоставления.
За ссылочку на Тома Митчела — спасибо, из-за незнания английского упускаю множество интересного.
А так, если что, учебник по физиологии высшей нервной деятельности у меня настольный. Зачитан за несколько лет до дыр, поскольку содержит замечательную экспериментальную базу.