Серийные электрические самолёты существуют много лет, просто мало распространены (согласно википедии). Кругосветку на солнечных батареях летали, например.
Мелкие дроны для аэрофотосъёмки в основном электрические.
Концепция в принципе рабочая, но не практичная просто компактного термоядерного реактора пока нет.
... теория эволюции исходит из материалистического факта, что состояние любой системы определяется ее взаимодействием со средой. Т.е. теория эволюции утверждает, что труд бесплатно (бесцельно) осуществляться не может, что для любого труда требуется мотивация (плата). :)
Не припомню, чтобы где-то в теории эволюции фигурировали деньги или оплата - это вообще относительно новые изобретения. Свойства организмов же в процессе эволюции формируются средой: "неприспособленные" организмы вымирают, "приспособленные" - размножаются. Соответственно, если среда такова, что размножает тех, кто "осуществляет бесплатный труд" (или "не ворует", или "не кусает людей", или "приносит хороший урожай", можно подставить некоторый набор свойств), через какое-то время в популяции преимущественно такие и будут. Селекция же работает. Однако на людях применять такие технологии как-то нехорошо, можно наломать дров.
Разницы особо нет. Порог используется и в случае с подкруткой яркости/контраста, и без подкрутки. Шаг подкрутки не обязателен - он просто влияет на величину порога. Подкрутка сильно помогала бы, если цвета были бы плохо отличимы без неё.
Можно было вместо явного порога добавить кластеризацию цветов (по 2м кластерам), либо натренировать простейшую нейросеть (от 1-2 нейронов), но по сути это просто чуть более сложные пути автовыбора порога.
с объёма, с которого можно строить обучающие модели.
Машинное обучение в предельных случаях может использовать модели с 1-2 параметрами, т.е. можно уложиться примерно в 1 байт. Возможность машинного обучения - точно не критерий "больших данных".
Эти допущения и упрощения адекватно отражают реальность при неизменном процессе, но если в процессе происходят существенные изменения, эти допущения и упрощения могут перестать работать.
Это свойство присутствует в любом моделировании, как в математическом, так и в "цифровом двойнике". Сделать модель, которая отражает все возможные будущие изменения, невозможно. Но в определённых пределах, конечно, последствия изменений вполне прогнозируются - именно для этого и строят модели.
Ключевое отличие ЦД в том, что мы не «упаковываем» реальность в набор формул. Мы отражаем логику процессов как есть, с помощью блок-схем и программного кода.
Блок-схемы и код тоже можно считать математикой. Во всяком случае, блок-схему можно представить графом, граф - матрицей, а это уже точно математика. И с кодом так же...
Я правильно понимаю, что ЦД - это некоторого рода математическая модель без "сложных" формул, но более всеобъемлющая? Подобная BIM, но более расширенная?
Как следствие, на любое изменение условий работы ЦД будет реагировать так же, как предприятие в реальной жизни
Было бы очень интересно увидеть реальные примеры... Даже с допущением, что не "любое" изменение, а из списка предусмотренных.
Цифровой двойник предприятия — это его копия в виртуальной среде. <...>
Однако мне тоже непонятно, каким образом можно сделать копию объекта в виртуальной среде? Это же будет не копия (дубликат), а модель (сохранены некоторые важные свойства).
Я помню, что градиент считается как dE/dw, а дальше идёт матричное дифференцирование. Но это теория. На практике градиент автоматически считает библиотека типа Keras, причём она считает производные для всех слоёв. Практика здесь далеко ушла от базовой теории - руками градиенты считать не нужно, поэтому базовая теория сейчас малополезна.
Поиск по тегу "перцептрон" даёт штук 8 таких начальных статей, но мне кажется, что их больше (можно посмотреть по другим ключевым словам). Я такие комментарии по поводу перцептронов уже несколько раз писал, эта тема очень проста, вот и всплывает периодически. И это только на Хабре.
Статьи на эту тему выходят регулярно и уже выходили 100500 раз. Настолько же регулярно авторы останавливаются на перцептронах и на обратном распространении ошибки (эта идея примерно из 1940х-1950х), ничего не рассказывая о современных наработках.
На практике применение нейросетей начинается сейчас с какого-нибудь Keras, TensorFlow или Pytorch, которые имеют в основе удобное построение графа вычислений и автоматическое дифференцирование функции, заданной этим графом. Наверно, из-за такой автоматизации и начался бум нейросетей лет 7-8 назад. И наверно, сейчас про эти вещи знают примерно все.
Статьи про перцептроны бесполезны сейчас чуть более чем полностью.
Вот есть у вас разархиватор размером в терабайт. Он эффективнее всех существующих процентов на 50. Он достоин считаться лучшим и рекомендованным к использованию?
При определённых условиях (если работает достаточно быстро и экономит, например, от пары терабайт) - вполне.
Размер архива считается как файл архива + размер разархивирова.
Неправда. Для такого архиватора бесконечного размера, архив тоже должен быть бесконечного размера!
Эти ваши 16 байт позволят адресовать всего лишь 2^128 разных вариантов содержимого, а не бесконечность. Соответственно, если в архиваторе нет бесконечных файлов, его размер не будет бесконечным при конечном размере ключа.
Серийные электрические самолёты существуют много лет, просто мало распространены (согласно википедии). Кругосветку на солнечных батареях летали, например.
Мелкие дроны для аэрофотосъёмки в основном электрические.
Концепция в принципе рабочая, но не практичная
просто компактного термоядерного реактора пока нет.Не припомню, чтобы где-то в теории эволюции фигурировали деньги или оплата - это вообще относительно новые изобретения. Свойства организмов же в процессе эволюции формируются средой: "неприспособленные" организмы вымирают, "приспособленные" - размножаются. Соответственно, если среда такова, что размножает тех, кто "осуществляет бесплатный труд" (или "не ворует", или "не кусает людей", или "приносит хороший урожай", можно подставить некоторый набор свойств), через какое-то время в популяции преимущественно такие и будут. Селекция же работает. Однако на людях применять такие технологии как-то нехорошо, можно наломать дров.
...получился монолит!
Это как? Чтобы нейроны склеивались от перегрева?
Необходимости в этом нет.
У 1 нейрона ~10000 связей, итого ~10^12 параметров. Так что осталось ~2000 крат по числу параметров.
Вам определённо нужна статья "Как нанять за 60 секунд".
Разницы особо нет. Порог используется и в случае с подкруткой яркости/контраста, и без подкрутки. Шаг подкрутки не обязателен - он просто влияет на величину порога. Подкрутка сильно помогала бы, если цвета были бы плохо отличимы без неё.
Можно было вместо явного порога добавить кластеризацию цветов (по 2м кластерам), либо натренировать простейшую нейросеть (от 1-2 нейронов), но по сути это просто чуть более сложные пути автовыбора порога.
А мог бы просто копить.Машинное обучение в предельных случаях может использовать модели с 1-2 параметрами, т.е. можно уложиться примерно в 1 байт. Возможность машинного обучения - точно не критерий "больших данных".
Я правильно понимаю, что в статье приведена подробная инструкция, как запустить естественный процесс, который запускается у всех и автоматически?
Похоже на ересь.А "имитационное моделирование" - вариант "математического моделирования".
Это свойство присутствует в любом моделировании, как в математическом, так и в "цифровом двойнике". Сделать модель, которая отражает все возможные будущие изменения, невозможно. Но в определённых пределах, конечно, последствия изменений вполне прогнозируются - именно для этого и строят модели.
Блок-схемы и код тоже можно считать математикой. Во всяком случае, блок-схему можно представить графом, граф - матрицей, а это уже точно математика. И с кодом так же...
Я правильно понимаю, что ЦД - это некоторого рода математическая модель без "сложных" формул, но более всеобъемлющая? Подобная BIM, но более расширенная?
Было бы очень интересно увидеть реальные примеры... Даже с допущением, что не "любое" изменение, а из списка предусмотренных.
В статье есть такое определение:
Однако мне тоже непонятно, каким образом можно сделать копию объекта в виртуальной среде? Это же будет не копия (дубликат), а модель (сохранены некоторые важные свойства).
Так что присоединяюсь к вопросу.
Для 4D уже давно есть всякие компьютерные визуализации, из запомнившихся - игрушка "Adanaxis".
Для фортрана тоже есть CUDA.
Я помню, что градиент считается как dE/dw, а дальше идёт матричное дифференцирование. Но это теория. На практике градиент автоматически считает библиотека типа Keras, причём она считает производные для всех слоёв. Практика здесь далеко ушла от базовой теории - руками градиенты считать не нужно, поэтому базовая теория сейчас малополезна.
Поиск по тегу "перцептрон" даёт штук 8 таких начальных статей, но мне кажется, что их больше (можно посмотреть по другим ключевым словам). Я такие комментарии по поводу перцептронов уже несколько раз писал, эта тема очень проста, вот и всплывает периодически. И это только на Хабре.
Статьи на эту тему выходят регулярно и уже выходили 100500 раз. Настолько же регулярно авторы останавливаются на перцептронах и на обратном распространении ошибки (эта идея примерно из 1940х-1950х), ничего не рассказывая о современных наработках.
На практике применение нейросетей начинается сейчас с какого-нибудь Keras, TensorFlow или Pytorch, которые имеют в основе удобное построение графа вычислений и автоматическое дифференцирование функции, заданной этим графом. Наверно, из-за такой автоматизации и начался бум нейросетей лет 7-8 назад. И наверно, сейчас про эти вещи знают примерно все.
Статьи про перцептроны бесполезны сейчас чуть более чем полностью.
При определённых условиях (если работает достаточно быстро и экономит, например, от пары терабайт) - вполне.
Неправда. Для такого архиватора бесконечного размера, архив тоже должен быть бесконечного размера!
Эти ваши 16 байт позволят адресовать всего лишь 2^128 разных вариантов содержимого, а не бесконечность. Соответственно, если в архиваторе нет бесконечных файлов, его размер не будет бесконечным при конечном размере ключа.