Мне все время бросается в глаза принципиальное отличие обучения сетей и обучение человека. Возьмем новорожденного и попытаемся проследить его обучение. Самое интересное здесь наличие предела. Ослиного моста в терминологии средневековой бурсы.
Интересно, что от обсуждения проблем, связанных с уравнением Навье-Стокса. мы перешли к обсуждению использования ИИ в научных исследованиях. Относительно Навье-Стокса, мне казалось, что работы О.Ладыженской, ее учеников и последователей исчерпывающе объяснили все проблемы этого уравнения.
Относительно использования ИИ в научной работе, допустимо только в качестве поиска в огромной базе накопленного, при строгом контроле. Но иногда такой поиск приводит к неожиданному и иногда полезному.
Данное обсуждение ЯП ведут две группы пользователей: программисты и вычислители, у которых сильно отличающиеся требования к ЯП. Относясь ко второй группе я, естественно, предпочитаю алгол, алгол-алфа и фортран. Мне также хотелось бы, чтобы детали, связанные и границами массивов, использованием многопоточности и т. п. брали на себя компиляторы.
Производит впечатление некой формы записи известного явления, для осуществления которой пришлось вводить не совсем очевидные определения. А есть ли примеры задачи, которая была решена, благодаря использованию новой формы уравнений?
А если по простому. Уменьшать максимальную среди тестовых примеров ошибку? Для простых случаев имею успешные примеры такой организации обучения. За одно, максимальная ошибка может служить оценкой качества обучения и использоваться при дообучении, как условие необходимости включать вновь появившийся пример в тестовый набор.
Кажется, что это реклама не сделанного, ни здесь, ни в исходной статье ничего не увидел. Хотя интересно было бы получить конкретный пример использования ESP32 для бесконтактного измерения состояния человека.
А если создать "упертый" ИИ, который знает, что 2+2=4 и т.п. истины. И которого никто и ничто не может переубедить. Тогда его ответы можно и не проверять. Это будет похоже на использование MAPLE. Спросил, получал ответ и все!
Критики много, а хотелось бы ссылок на правильное изложение проблемы установки локального ИИ.
Хотелось бы поиграть на своем ПК, но показаны только фрагменты. Класса Swarm не увидел.
Очень четко и понятно!
Не понятна связь с традиционными методами прогноза, основанными на расчете термо-гидродинамических процессов.
Мне все время бросается в глаза принципиальное отличие обучения сетей и обучение человека. Возьмем новорожденного и попытаемся проследить его обучение. Самое интересное здесь наличие предела. Ослиного моста в терминологии средневековой бурсы.
Интересно, что от обсуждения проблем, связанных с уравнением Навье-Стокса. мы перешли к обсуждению использования ИИ в научных исследованиях. Относительно Навье-Стокса, мне казалось, что работы О.Ладыженской, ее учеников и последователей исчерпывающе объяснили все проблемы этого уравнения.
Относительно использования ИИ в научной работе, допустимо только в качестве поиска в огромной базе накопленного, при строгом контроле. Но иногда такой поиск приводит к неожиданному и иногда полезному.
Данное обсуждение ЯП ведут две группы пользователей: программисты и вычислители, у которых сильно отличающиеся требования к ЯП. Относясь ко второй группе я, естественно, предпочитаю алгол, алгол-алфа и фортран. Мне также хотелось бы, чтобы детали, связанные и границами массивов, использованием многопоточности и т. п. брали на себя компиляторы.
Ландшафт может зависеть от способа определения ошибки. А может быть, и сходимость.
Хотелось бы видеть количественную оценку качества прогноза. Например, максимальное отклонение, выбранное из всех точек интервала прогноза.
Спасибо! Все работает и очень наглядно.
Производит впечатление некой формы записи известного явления, для осуществления которой пришлось вводить не совсем очевидные определения. А есть ли примеры задачи, которая была решена, благодаря использованию новой формы уравнений?
Любопытство заставляет действовать, выбирать направление действия, ничего подобного у современных вариантов ИИ конкретно поясненного я не встречал.
Без любопытства не может быть никакого открытия. Где любопытство у автомата? И, вообще, возможно ли любопытство у автомата.
Интересно, но слишком в общих чертах. Хотелось бы конкретнее, чтобы можно было пощупать.
А если по простому. Уменьшать максимальную среди тестовых примеров ошибку? Для простых случаев имею успешные примеры такой организации обучения. За одно, максимальная ошибка может служить оценкой качества обучения и использоваться при дообучении, как условие необходимости включать вновь появившийся пример в тестовый набор.
Полностью согласен с автором. Мой опыт с DeepSeek привел к аналогичным правилам работы с ИИ
Кажется, что это реклама не сделанного, ни здесь, ни в исходной статье ничего не увидел. Хотя интересно было бы получить конкретный пример использования ESP32 для бесконтактного измерения состояния человека.
Впечатление, что автор сознательно не хочет пояснить смысл основного алгоритма!
А если создать "упертый" ИИ, который знает, что 2+2=4 и т.п. истины. И которого никто и ничто не может переубедить. Тогда его ответы можно и не проверять. Это будет похоже на использование MAPLE. Спросил, получал ответ и все!
Это все не для нонконформистов, которые не чувствительны к влиянию СМИ, ИИ и т.п.