Хабр Курсы для всех
РЕКЛАМА
Большая витрина: от крупнейших школ до частных авторов. Сравнивайте по цене, длительности, формату и выбирайте самый подходящий курс!
Хабр доступен 24/7 благодаря поддержке друзей
Комментарии 44
Что у неё с глазами?
разширяющие линзы
Я было подумал, что Сяо Сяо Ли — не сотрудница, а результат применения байесовских алгоритмов:)
Не удалось осилить до конца Горбаня, какая область нейронных сетей интересует автора?
Не похожа эта девочка на рисёрчера из майкрософта, а вот и пруф research.microsoft.com/en-us/people/xiaol/
Фотка старая… Я ее видел года 2 назад. Так что, время в MS не пошло ей на пользу.
И Вообще… Без фото, но с парой-тройкой формул статья смотрелось бы НАМНОГО лучше.
И Вообще… Без фото, но с парой-тройкой формул статья смотрелось бы НАМНОГО лучше.
Это, действительно, какое-то недоразумение. Непонятно, с чего Касперски взял, что это она (пошутил?).
Оригинальный фотосет — http://kirinon.exblog.jp/5180949.
Оригинальный фотосет — http://kirinon.exblog.jp/5180949.
Да ладно! О_О
G3N1USS выше привел ссылку на ее профиль в майкрософте. Там фигурирует та же фотография, но очень маленькая.
Ну и как потом такую контрастированную сеть превратить в «прозрачную» формулу?
Эмс. И что такое вообще контрастирование? Статья воспринимается, как набор терминов. Можно было просто дать ссылку на книгу и сказать: читайте там. Остальной текст ни к чему.
И про китаянку тоже муть какая-то написана. Фильтр Байеса известный алгоритм, чего его разрабатывать-то? Или она сидит и обучает его? :) Круто, тогда. У меня есть персональная Xiao в ноутбуке — он, ведь, сам обучается спам от неспама отличать.
И про китаянку тоже муть какая-то написана. Фильтр Байеса известный алгоритм, чего его разрабатывать-то? Или она сидит и обучает его? :) Круто, тогда. У меня есть персональная Xiao в ноутбуке — он, ведь, сам обучается спам от неспама отличать.
Фильтр Байеса — статистический анализ по сути.
Процедура контрастирования основана на принципе исключения связей с минимальным влиянием на результат до тех пор, пока сеть не потеряет способность с нуля обучиться поставленной задаче.
В следующий раз важное буду выделять болдом и не буду вставлять фото няшных девушек.
Нет. Фото няшных девочек можно… Но форматирование текста — жесть.
Надо было вставить несколько маленьких поясняющих картинок или формул в текст для зрительной разбивки.
А не две огромные картинки ни о чем в начале и конце.
Надо было вставить несколько маленьких поясняющих картинок или формул в текст для зрительной разбивки.
А не две огромные картинки ни о чем в начале и конце.
Нет. Фото няшных девочек можно… Но форматирование текста — жесть.
Надо было вставить несколько маленьких поясняющих картинок или формул в текст для зрительной разбивки.
А не две огромные картинки ни о чем в начале и конце.
Надо было вставить несколько маленьких поясняющих картинок или формул в текст для зрительной разбивки.
А не две огромные картинки ни о чем в начале и конце.
Не хочу никому портить настроение, но настоящая Xiao Li выглядит так research.microsoft.com/en-us/people/xiaol/
Если статья про Ии, то почему фотка Харухи а не Юки?
весьма грамотно разместили фотку сферической анимешницы.
и статью все прочитали, и внимание привлеклось.
но что такое контрастирование из статьи всёравно не понятно.
и статью все прочитали, и внимание привлеклось.
но что такое контрастирование из статьи всёравно не понятно.
В статье есть предложение «Процедура контрастирования основана на принципе исключения связей с минимальным влиянием на результат до тех пор, пока сеть не потеряет способность с нуля обучиться поставленной задаче.»
Просто фото девушки вам помешало
Просто фото девушки вам помешало
выражение «основана на принципе» делает этот принцип необходимым, но не делает достаточным.
(«решение системы уравнений основывается на определении детерминанта» не означает, что детерминант является решением системы уравнения)
указанная вами фраза не является определением процедуры контрастирования.
в частности, не понятно, происходит ли переучивание при удалении каждой связи, всех связей одного нейрона, или одного слоя.
(«решение системы уравнений основывается на определении детерминанта» не означает, что детерминант является решением системы уравнения)
указанная вами фраза не является определением процедуры контрастирования.
в частности, не понятно, происходит ли переучивание при удалении каждой связи, всех связей одного нейрона, или одного слоя.
Разбейте текст на абзацы, неудобно читать же.
Архитектура нейронных сетей штука мутная, и волнует исследователей очень давно.
Из того, что мне попадалось наиболее интересным является автоматический подбор параметров нейронной сети с помощью других алгоритмов. См. к примеру, вот эту работу: Automatic generation of a neural network architecture using evolutionary computation. Есть даже целая книга с этим же заголовком.
Из того, что мне попадалось наиболее интересным является автоматический подбор параметров нейронной сети с помощью других алгоритмов. См. к примеру, вот эту работу: Automatic generation of a neural network architecture using evolutionary computation. Есть даже целая книга с этим же заголовком.
Мне кажется, «нейронными сетями» вы называете один только многослойный персептрон. Это смелое обобщение.
Кроме того, совсем непонятно, как требование к количеству входов обеспечивает логическую прозрачность. Скажем, если представить МГУА как нейронную сеть, то у каждого нейрона будет не более двух входов. По вашему принципу, куда уж прозрачнее. Однако никто почему-то не считает МГУА методом добычи знаний.
Кроме того, совсем непонятно, как требование к количеству входов обеспечивает логическую прозрачность. Скажем, если представить МГУА как нейронную сеть, то у каждого нейрона будет не более двух входов. По вашему принципу, куда уж прозрачнее. Однако никто почему-то не считает МГУА методом добычи знаний.
по вашей же ссылке с вики
GMDH is used in such fields as data mining, knowledge discovery, prediction, complex systems modeling, optimization and pattern recognition.
Зарегистрируйтесь на Хабре, чтобы оставить комментарий
Логически прозрачные нейронные сети и производство явных знаний из данных