Только одно название: Североатлантическое соглашение о свободной торговле.
На германию нужно сильно давануть чтобы оно было очень быстро подписано. Подписать нужно до обвала на американском рынке акций. А он стремительно приближается — Глава ФРС Йелин уже прямым текстом сказала о повышении ставки до конца года. Вот наши англосаксонские друзья и забегали. Они сейчас и ещё много какие скелеты из шкафов подостают по такому случаю.
Собственно какая разница какого производителя использовать для наращивания выпуска и удешевления серии.
Одим раскушает, глядишь и другие поприличнее подтянутся.
Про суды — нужен только один суд, над тем, кто не внедряет технические решения, и потворствует кражам. Например ситуация с выводов денек с подставных платных номеров могла бы быть решена после первого же наказания оператора на x10-x100 сумму украденного через специально оставляемую оператором дыру в безопасности.
А по суду возвращать — сказка хотя бы потому, что судебные издержки практически всегда выше, чем стоимость украденного.
И никто не уточняет, что подавляющее большинство своих проблем создала сама еж Набиулина, и зам её Юдаева, которые зачем-то эффективную ставку с 3,5% по РЕПО подняли до 5,5% единой ставки. Причём вся эта бадяга с объединением ставок началась ещё до всяких Крымов и прочего. Нахрена Юдаева с Набиулиной сделали эту херню мы никогда не узнаем. Причём если Юдаеву почти на пол года отстранили от принятия решений за всё вот это поставив вместо неё Тулина, то Набиулину никто не тронул, а конкуренты вот, как видим, даже медальку повесили.
Да можно конечно и считать. Проблема только в том, что ряд популярных пакетов преобразуют категориальные переменные в колонки обычных переменных со значения 0-1. И если у вас есть колонка с неизвестными хэшами, то если вы её привычно превратите в 8000 бинарных колонок на этом многие алгоритмы и сдуются.
А поскольку информацией о природе этих хэшей вы не обладаете, то хотя бы кластеризовать их можете только через совсем лобовые методы машинного обучения. Что грустно.
Если знаете способ работать с такими данными более весело — подскажите.
habrahabr.ru/article/266543/
Конкурс от билайна, где кроме чисел так же есть три колонки хэшей от непонятно чего. Возможно тарифных планов или названия городов. Категориальные переменные по 5000 значений в каждой. Ничего, 100 человек за три дня приняли участие. Предсказания идут на уровне 76% в среднем.
Как учит нас история демократических партий в современной истории России, «сборище умников» не сумеет управлять даже заводской столовой, не то что страной. Они даже свой собственный объединительный съезд провести не способны, что уж говорить о большем.
Формализм вам мешает вам понять суть, а переход в вашу систему, к сожалению через-чур затратен из-за того что в вашем формализме вероятно просто нет определения для рассматриваемого явления… Попробую объяснить совсем на пальцах, если даже так вам будет непонятно подумаем что делать дальше.
Да, есть два входных нейрона, на них подаются две координаты, есть три выходных нейрона, с них снимаются RGB, в итоге получается картинка. Между входами и выходами чуть больше 30 скрытых нейронов. Шестой — буквально шестой из этих скрытых, к нему ведут 23-ий и 24-ый синапсы. Мы учим сеть с учителем на основе существующей картинки. И видим, что сеть уxится до ошибки RMSD, например, только 0.3 и дальше ошибка долгое время не снижается. Но вот на 6-ом нейроне образовалась хитрая и очень нелинейная комбинация входных данных такая что если подёргать за два синапса из множества имеющихся у шестого нейрона, то меняться будет форма только одного из цветовых пятен. И сразу после того, как такая ситуация сложилась ошибка начала резко снижаться и достигает 0,18. Пока Такая ситуация на 6-ом нейроне не складывалась ошибка не могла улучшиться меньше 0,3.
То есть в вашем примере у банка есть на вас куча данных и вот ваш алгоритм вдруг обнаруживает, что если ваш рост возвести в квадрат, вычесть из него вес, и разделить на логорифм выкуриваемого в день количества сигарет, то полученный новый признак очень сильно коррелирует и с вашей платёжеспособностью, и со сроками возвращения кредита и с временем вашего прихода на работу. И сразу как только алгоритму удалось такой признак выделить, качество всех предсказаний банковской системы резко выросли.
Вот процесс поиска той сложной манипуляции со входными данными, которую нужно предпринять чтобы резко упростилось решение задачи это как раз и есть машинная работа, которую нейросети (при определённых условиях) могут делать сами без вмешательства человека. При этом понятно, что состояние 6-ого нейрона это всего лишь одна из координат, полученных из пространства входных признаков несколькими нелинейными пробразованиями, но он при этом и самостоятельное выделение сетью признаков.
Преобразование данных из одного пространства в другое, т.е. преобразование одного набора случайных переменных в другое, под это определение не попадает.
— Если эти данные учебная выборка, а нейронная сеть нашла преобразование, которое нужно с ними сделать, чтобы результаты обработки давали понятный интерпретируемый результат в пространстве итогов, то про эти переменные можно с определённостью сказать как минимум одно — ОНИ НЕ СЛУЧАЙНЫ. :) И сеть в некоторых случаях способна сама догадаться как именно они не случайны.
И дальше она может все нужные лингвистические признаки обнаружить самостоятельно
Статью я вам привёл как пример обнаружения таких признаков. Там сети на вход подаётся всего лишь два числа, две координаты X и Y из диапазона (-1; 1). А на выходе сеть должна нарисовать прекрасного павлина. Она учится это делать, худо-бедно, потом мы изучаем внутренности этой сети (это возможно, потому что она маленькая), и обнаруживаем, что в этой сети есть всего два синапса с номерами 23 и 24, которые вдвоём контролируют видимую на картинке часть левых рабочих перьев хвоста павлина.
Вот такое явление, как мне кажется, можно называть «признаки обнаружить самостоятельно», Сеть обнаружила семантически значимый признак во входных данных, выделила этот признак на 6-ом нейроне (в линейной комбинации с несколькими другими признаками) и дальше остальная сеть могла в обучении этот признак использовать.
всегда есть начальные признаки, которые выделяет человек (будь то части речи, слова, отдельные символы или пиксели)
В данном случае ввод это просто две координаты, два действительных числа. Офигенно информативный признак.
есть методы их преобразования к другому, более эффективному по какому-то критерию представлению(PCA, LDA, AE, RBM, etc.); и что методы преобразования абсолютно не привязаны к дальнейшим алгоритмам классификации
В данном случае никакие предварительные преобразования не использовались, два числа прямо в необработанном виде подавались на два входа прямо вот буквально случайно сгенерённой сети. И сеть сама BackProoagation-ом выделила в этих данных признак(-и) эффективные для минимизации ошибки сети.
Если вы говорите про предобучение в глубоких сетях (всякие autoencoders и RBM), то нет, не могут. Всё, что делают такие структуры — это преобразовывают данные из одного пространства признаков в другое.
Преобразование исходных данных из одного пространства в другое так что в новом пространстве есть одна или несколько координат, благодаря которым задача проще решается — это и есть строгое математическое определение полезного признака. Вот тут моя статья на хабре, в которой я показываю как даже малюсенькая нейросетка, безо всякого предобучения, почти что только обычным BackPropagation успешно формирует признаки: habrahabr.ru/post/249031 Мне кажется, отрицать столь явно видимое явление можно только из принципиальных соображений.
Да но Маск же никому не разрешал пользоваться своими патентами, он всего лишь написал в Твиттере, что не будет подавать в сут прямо сразу. Вы вообще чувствуете разницу?
Вам в статье надо сделать UPD куда добавлять то что коментаторы накидали, рассортированное по популярности, и попросить голосовать в комментариях плюсиками за понравившиеся произведения. :)
От себя добавлю трилогию или даже шестилогию «Возвышение» от Девида Брина. Особенно вторую и третью книги: «Звёздный прилив» и «Война за возвышение».
Вообще-то культура и накопление знаний есть и у животных. Вот тут, например, описание двух конкурирующих технологических культур у шимпанзе elementy.ru/news/430954 причём они на столько устойчивы, что археологи находят камни с соответствующими расколами возрастом в 1000 лет на том же самом месте.
Что более интересно, точно также культура обнаружена у птиц. Вот на примере синиц: elementy.ru/news/432371 Это на самом деле потрясающий результат, потому что природа культуры та же самая, не смотря на то, что у птиц развиты совсем другие отделы мозга. Те отделы, из которых у человека выросла кора больших полушарий у птиц остаётся милипипического размера.
В первой статье предлагается ещё и очень убедительное предположение о том, каким именно количественным а не качественным параметром в первую очередь отличается мозг обезьяны от мозга человека.
Вы читали то что выше написано вообще? Или это не интересно? Я же сказал, что из двух разработчиков одного, более мотивированного, оставили на задачах, с которыми он может справиться.
Про грехи: Программисты, которые делали прототип взялись делать и саму игру, но заложенные ими по инерции решения потащили в проект дальше попросту не понимая, что когда проект разрастётся в несколько раз, их код будет им нереально жать и мещать вносить изменения, в результате у них стали спринты по месяцу с небольшим новым функционалом. более того, они дежа не понимали, в чём состояла их ошибка, и что всё могло быбыть совсем не так если бы, например модель и вьюв были разделены (по умолчанию юнитёвская идеология подразумевает их объединение). То есть ребята как люди неплохие, просто у них ваще никак небыло квалификации джля той работы, на которой они оказались.
Если бы менеждеров не нужно было менять, то они ещё пол года назад сменили бы разработчиков, но поскольку они не, то при выведении проекта из проблем прорядили и тех и других. Так точнее. Я сам разработчик, понимаю, что на своих кивать не хочется, но реальность в данном случае такова.
На германию нужно сильно давануть чтобы оно было очень быстро подписано. Подписать нужно до обвала на американском рынке акций. А он стремительно приближается — Глава ФРС Йелин уже прямым текстом сказала о повышении ставки до конца года. Вот наши англосаксонские друзья и забегали. Они сейчас и ещё много какие скелеты из шкафов подостают по такому случаю.
Одим раскушает, глядишь и другие поприличнее подтянутся.
А по суду возвращать — сказка хотя бы потому, что судебные издержки практически всегда выше, чем стоимость украденного.
А поскольку информацией о природе этих хэшей вы не обладаете, то хотя бы кластеризовать их можете только через совсем лобовые методы машинного обучения. Что грустно.
Если знаете способ работать с такими данными более весело — подскажите.
2.Competitive material or product that is functionally and qualitatively equivalent to a higher priced material or product.
Read more: http://www.businessdictionary.com/definition/knock-off.html#ixzz3mAHWMk8f
Конкурс от билайна, где кроме чисел так же есть три колонки хэшей от непонятно чего. Возможно тарифных планов или названия городов. Категориальные переменные по 5000 значений в каждой. Ничего, 100 человек за три дня приняли участие. Предсказания идут на уровне 76% в среднем.
Обычное обучение весов синапсов с помощью BP при ограниченных ресурсах делает то же самое.
Не знаю что мешает вам смириться с этим фактом, но что-то очень серьёзное, по всей видимости.
Да, есть два входных нейрона, на них подаются две координаты, есть три выходных нейрона, с них снимаются RGB, в итоге получается картинка. Между входами и выходами чуть больше 30 скрытых нейронов. Шестой — буквально шестой из этих скрытых, к нему ведут 23-ий и 24-ый синапсы. Мы учим сеть с учителем на основе существующей картинки. И видим, что сеть уxится до ошибки RMSD, например, только 0.3 и дальше ошибка долгое время не снижается. Но вот на 6-ом нейроне образовалась хитрая и очень нелинейная комбинация входных данных такая что если подёргать за два синапса из множества имеющихся у шестого нейрона, то меняться будет форма только одного из цветовых пятен. И сразу после того, как такая ситуация сложилась ошибка начала резко снижаться и достигает 0,18. Пока Такая ситуация на 6-ом нейроне не складывалась ошибка не могла улучшиться меньше 0,3.
То есть в вашем примере у банка есть на вас куча данных и вот ваш алгоритм вдруг обнаруживает, что если ваш рост возвести в квадрат, вычесть из него вес, и разделить на логорифм выкуриваемого в день количества сигарет, то полученный новый признак очень сильно коррелирует и с вашей платёжеспособностью, и со сроками возвращения кредита и с временем вашего прихода на работу. И сразу как только алгоритму удалось такой признак выделить, качество всех предсказаний банковской системы резко выросли.
Вот процесс поиска той сложной манипуляции со входными данными, которую нужно предпринять чтобы резко упростилось решение задачи это как раз и есть машинная работа, которую нейросети (при определённых условиях) могут делать сами без вмешательства человека. При этом понятно, что состояние 6-ого нейрона это всего лишь одна из координат, полученных из пространства входных признаков несколькими нелинейными пробразованиями, но он при этом и самостоятельное выделение сетью признаков.
— Если эти данные учебная выборка, а нейронная сеть нашла преобразование, которое нужно с ними сделать, чтобы результаты обработки давали понятный интерпретируемый результат в пространстве итогов, то про эти переменные можно с определённостью сказать как минимум одно — ОНИ НЕ СЛУЧАЙНЫ. :) И сеть в некоторых случаях способна сама догадаться как именно они не случайны.
Статью я вам привёл как пример обнаружения таких признаков. Там сети на вход подаётся всего лишь два числа, две координаты X и Y из диапазона (-1; 1). А на выходе сеть должна нарисовать прекрасного павлина. Она учится это делать, худо-бедно, потом мы изучаем внутренности этой сети (это возможно, потому что она маленькая), и обнаруживаем, что в этой сети есть всего два синапса с номерами 23 и 24, которые вдвоём контролируют видимую на картинке часть левых рабочих перьев хвоста павлина.
Вот такое явление, как мне кажется, можно называть «признаки обнаружить самостоятельно», Сеть обнаружила семантически значимый признак во входных данных, выделила этот признак на 6-ом нейроне (в линейной комбинации с несколькими другими признаками) и дальше остальная сеть могла в обучении этот признак использовать.
В данном случае ввод это просто две координаты, два действительных числа. Офигенно информативный признак.
В данном случае никакие предварительные преобразования не использовались, два числа прямо в необработанном виде подавались на два входа прямо вот буквально случайно сгенерённой сети. И сеть сама BackProoagation-ом выделила в этих данных признак(-и) эффективные для минимизации ошибки сети.
Преобразование исходных данных из одного пространства в другое так что в новом пространстве есть одна или несколько координат, благодаря которым задача проще решается — это и есть строгое математическое определение полезного признака. Вот тут моя статья на хабре, в которой я показываю как даже малюсенькая нейросетка, безо всякого предобучения, почти что только обычным BackPropagation успешно формирует признаки: habrahabr.ru/post/249031 Мне кажется, отрицать столь явно видимое явление можно только из принципиальных соображений.
От себя добавлю трилогию или даже шестилогию «Возвышение» от Девида Брина. Особенно вторую и третью книги: «Звёздный прилив» и «Война за возвышение».
То есть у животных это тоже есть, но в недостаточном количестве.
Что более интересно, точно также культура обнаружена у птиц. Вот на примере синиц: elementy.ru/news/432371 Это на самом деле потрясающий результат, потому что природа культуры та же самая, не смотря на то, что у птиц развиты совсем другие отделы мозга. Те отделы, из которых у человека выросла кора больших полушарий у птиц остаётся милипипического размера.
В первой статье предлагается ещё и очень убедительное предположение о том, каким именно количественным а не качественным параметром в первую очередь отличается мозг обезьяны от мозга человека.
Про грехи: Программисты, которые делали прототип взялись делать и саму игру, но заложенные ими по инерции решения потащили в проект дальше попросту не понимая, что когда проект разрастётся в несколько раз, их код будет им нереально жать и мещать вносить изменения, в результате у них стали спринты по месяцу с небольшим новым функционалом. более того, они дежа не понимали, в чём состояла их ошибка, и что всё могло быбыть совсем не так если бы, например модель и вьюв были разделены (по умолчанию юнитёвская идеология подразумевает их объединение). То есть ребята как люди неплохие, просто у них ваще никак небыло квалификации джля той работы, на которой они оказались.