이미 통과했습니다 :) 약점은 근사치를 분리한 다음 일반화할 수 없는 근사치입니다. 그러나 일반 교육에는 유용합니다. NS를 준유용과 실제 유용을 구분하지 않습니다. 데이터에서 실제로 유용한 부분은 극히 일부이기 때문입니다. 데이터에 약간의 유용성을 추가하면 효과가 있을 것입니다.
더 효과적인 혁신을 따라가서 주류가 되기 전에 가장 먼저 적용하거나, 아니면 스스로 자전거를 타거나 둘 중 하나입니다.
1. 나는 나 자신이 일하고 일하고 있습니다 : 선생님이 있고 그것에 징후를 집어 들거나 처리해야합니다.
2. mytarmailS가 말했듯이 반대 작업을 설정할 수 있습니다 : 표지판이 있고 교사를 일치 시키거나 만들 수 있습니다. 제가 마음에 들지 않는 부분이 있습니다. 저는 이 방법을 사용하지 않으려고 합니다.
실제로는 두 가지 방법 모두 사용 가능한 교사-특성 쌍의 분류 오류가 표본 외 20%를 초과해서는 안 된다는 점은 동일합니다. 그러나 가장 중요한 것은 사용 가능한 특징의 예측력이 변하지 않거나 미래에 약하게 변한다는 이론적 증거가 있어야 한다는 것입니다. 모든 스팀롤링에서 이것이 가장 중요한 것입니다.
제 추론에는 모델 선택이 포함되지 않는다는 점에 유의하시기 바랍니다. 모델은 특징의 예측 능력의 안정성과는 아무런 관련이 없기 때문에 극히 사소한 역할을 한다고 생각합니다: 예측 능력의 안정성은 교사-특성 쌍의 속성입니다.
1. 분류 오차가 20% 미만인 교사-특성 쌍을 가진 사람이 있나요?
2. 사용된 특징에 대한 예측 능력의 변동성이 20% 미만이라는 실제 증거를 가진 사람이 있나요?
1. 나는 나 자신이 일하고 일하고 있습니다 : 선생님이 있고 표지판을 집어 들거나 처리해야합니다.
2. mytarmailS가 말했듯이 반대 작업을 설정할 수 있습니다 : 속성이 있고 교사를 일치 / 생성 할 수 있습니다. 이것에 대해 내가 좋아하지 않는 것이 있습니다. 그런 식으로 가려고하지 않습니다.
실제로 두 가지 방법 모두 사용 가능한 교사-특성 쌍의 분류 오류가 표본 외 20%를 초과하지 않아야 한다는 점은 동일합니다. 그러나 가장 중요한 것은 사용 가능한 특징의 예측력이 변하지 않거나 미래에 약하게 변한다는 이론적 증거가 있어야 한다는 것입니다. 모든 스팀롤링에서 이것이 가장 중요합니다.
제 추론에는 모델 선택이 포함되지 않는다는 점에 유의하시기 바랍니다. 모델은 특성의 예측 능력의 안정성과는 아무런 관련이 없기 때문에 극히 사소한 역할을 한다고 생각합니다: 예측 능력의 안정성은 교사-특성 쌍의 속성입니다.
1. 분류 오차가 20% 미만인 교사-특성 쌍을 가진 사람이 있나요?
2. 사용된 특징에 대한 예측 능력의 변동성이 20% 미만이라는 실제 증거가 있는 사람이 있나요?
그런 사람 있나요? 그렇다면 논의해야 할 사항이 있습니다.
없나요? 다른 모든 것은 어쩌구 저쩌구입니다.
교사는 당신이 쓴 것이 아니라 특성과 레이블의 집합입니다 :) 또는 오히려 전혀 사람이거나 해당 데이터를 생성하는 알고리즘입니다 😀.
모델 선택이 중요한 역할을 하므로 강력한 모델을 선택해야 합니다. 그러나 모든 강력한 모델은 거의 동일한 강력한 자질을 가지고 있기 때문에 그들 사이의 선택은 이미 원칙이 없습니다.
목표를 초과 달성하고 천천히 RL에 도달하고 있습니다.
기다리기엔 너무 늙었을 겁니다.
기다리기엔 너무 늙을 거예요.
나는 많은 희망을 품지 않고 가끔씩 들여다보고 있습니다. 결국 저는 이 주제에서 정체와 정체를 예상합니다. 돌파구가 보이지 않습니다. 암호화폐와 마찬가지로 순전히 과대광고일 뿐입니다.
저는 정반대의 견해를 가지고 있습니다.
저는 일반적으로 강력한 AI가 오랫동안 만들어져 왔으며 (우리에게는 그렇지 않을 뿐) 전체 암호화 산업 (전 세계)이 자신도 모르게 그 훈련을 위해 노력해 왔다고 믿습니다.
저는 정반대의 견해를 가지고 있습니다.
저는 일반적으로 강력한 AI가 오래 전부터 만들어져 왔고(우리만을 위한 것이 아니라), 암호화폐 산업 전체(전 세계)가 자신도 모르게 그 훈련을 위해 노력해 왔다고 믿습니다.
현명하지 않아요, 도움이 필요 없어요. 포럼은 단서라기보다는 오히려 방해가 될 뿐입니다. 그냥 일반적인 용어로 내 경험을 말하고 있습니다. 때때로 나는 그것을 판매합니다 :) 그것을 듣는 사람은 그것을 상속하여 시간을 절약 할 것입니다.
오버 슈팅 징후는 매우 비효율적 인 결함이있는 전술이며, 이것은 이미 저에게는 공리입니다. IMHO라고 말하고 싶지만 공리에 더 가깝습니다.
그리고 도움이 필요합니다. 코드에서 확인할 수있는 것보다 더 많이 그리고 더 빨리 생각합니다.
기능을 검색할 필요 없이 기능을 선택하고 올바르게 설정해야 합니다.
코드에서 테스트할 수 있는 것보다 더 많은 것을 더 빨리 생각해내는 데 도움이 필요합니다.
너무 많은 기능이 필요한 것이 아니라 기능을 선택하고 올바르게 설정해야 합니다.
그렇다면 논리적인 질문은 어떤 기술에 적용되느냐는 것입니다. 트랜스포머에 적용된 기술이라면 AI가 전혀 아니며 앞으로도 그럴 것입니다.
누가 뭐라고 하겠습니까?
하지만 휴대폰부터 발전소에 연결된 암호화 농장에 이르기까지 전 세계의 컴퓨팅 파워가 필요하다면 테크놀로지가 너무 나쁠 것입니다....
하지만 현재로서는 이보다 더 나은 기술은 없습니다.
간단하고 사소하게 들립니다.
1. 나는 나 자신이 일하고 일하고 있습니다 : 선생님이 있고 그것에 징후를 집어 들거나 처리해야합니다.
2. mytarmailS가 말했듯이 반대 작업을 설정할 수 있습니다 : 표지판이 있고 교사를 일치 시키거나 만들 수 있습니다. 제가 마음에 들지 않는 부분이 있습니다. 저는 이 방법을 사용하지 않으려고 합니다.
실제로는 두 가지 방법 모두 사용 가능한 교사-특성 쌍의 분류 오류가 표본 외 20%를 초과해서는 안 된다는 점은 동일합니다. 그러나 가장 중요한 것은 사용 가능한 특징의 예측력이 변하지 않거나 미래에 약하게 변한다는 이론적 증거가 있어야 한다는 것입니다. 모든 스팀롤링에서 이것이 가장 중요한 것입니다.
제 추론에는 모델 선택이 포함되지 않는다는 점에 유의하시기 바랍니다. 모델은 특징의 예측 능력의 안정성과는 아무런 관련이 없기 때문에 극히 사소한 역할을 한다고 생각합니다: 예측 능력의 안정성은 교사-특성 쌍의 속성입니다.
1. 분류 오차가 20% 미만인 교사-특성 쌍을 가진 사람이 있나요?
2. 사용된 특징에 대한 예측 능력의 변동성이 20% 미만이라는 실제 증거를 가진 사람이 있나요?
그런 사람 있나요? 그렇다면 논의할 것이 있습니다.
없나요? 다른 모든 것은 어쩌고 저쩌고.
간단하고 사소한 것 같습니다.
1. 나는 나 자신이 일하고 일하고 있습니다 : 선생님이 있고 표지판을 집어 들거나 처리해야합니다.
2. mytarmailS가 말했듯이 반대 작업을 설정할 수 있습니다 : 속성이 있고 교사를 일치 / 생성 할 수 있습니다. 이것에 대해 내가 좋아하지 않는 것이 있습니다. 그런 식으로 가려고하지 않습니다.
실제로 두 가지 방법 모두 사용 가능한 교사-특성 쌍의 분류 오류가 표본 외 20%를 초과하지 않아야 한다는 점은 동일합니다. 그러나 가장 중요한 것은 사용 가능한 특징의 예측력이 변하지 않거나 미래에 약하게 변한다는 이론적 증거가 있어야 한다는 것입니다. 모든 스팀롤링에서 이것이 가장 중요합니다.
제 추론에는 모델 선택이 포함되지 않는다는 점에 유의하시기 바랍니다. 모델은 특성의 예측 능력의 안정성과는 아무런 관련이 없기 때문에 극히 사소한 역할을 한다고 생각합니다: 예측 능력의 안정성은 교사-특성 쌍의 속성입니다.
1. 분류 오차가 20% 미만인 교사-특성 쌍을 가진 사람이 있나요?
2. 사용된 특징에 대한 예측 능력의 변동성이 20% 미만이라는 실제 증거가 있는 사람이 있나요?
그런 사람 있나요? 그렇다면 논의해야 할 사항이 있습니다.
없나요? 다른 모든 것은 어쩌구 저쩌구입니다.