Supongamos que tenemos una PA más o menos estacionaria y tenemos su descomposición en frecuencia. Pregunta: ¿qué es mejor para el modelo: 1 característica o 5, y por qué?
Si resulta que tienes esa descomposición y es correcta y reversible, entonces aumentar el número de características para el modelo solo es beneficioso y aumenta su flexibilidad, lo principal es que las herramientas de MO no fallen, por cierto ahora hay nuevas y avanzadas redes neuronales que hacen que el aprendizaje profundo alcance logros en velocidad por órdenes de magnitud.
Ivan Negreshniy: Bueno, si resulta que tienes esa descomposición y es correcta y reversible, entonces aumentar el número de características para el modelo sólo es beneficioso y aumenta su flexibilidad, lo principal es que las herramientas de MO no se vean comprometidas; por cierto, ahora han aparecido nuevas redes neuronales progresivas que hacen que el aprendizaje profundo alcance logros en velocidad por órdenes de magnitud.
Bueno + los elementos más ruidosos eliminados. ¿Qué son los ns, cómo se llaman? y ¿qué pasa con los xgboost, también los fabrican? )
Bien + se han eliminado los elementos más ruidosos. ¿Qué son los ns, cómo se llaman? y qué pasa con los xgboost, ¿también los fabrican? )
Se trata de una nueva y poco conocida arquitectura de n-redes, sin descensos de gradiente, todo es tan primitivamente simple como el cerebro del susodicho camarada).
Ivan Negreshniy: Se trata de una nueva arquitectura de n-redes poco conocida, sin descensos de gradiente, todo es primitivamente simple, como el cerebro del camarada mencionado).
Yuriy Asaulenko: Supongo que será aún mejor durante el día. A juzgar por el modelo y las ejecuciones preliminares de depuración. Pero es demasiado pronto para decir nada, por supuesto.
Supongamos que tenemos una PA más o menos estacionaria y tenemos su descomposición en frecuencia. Pregunta: ¿qué es mejor para el modelo: 1 característica o 5, y por qué?
Bueno, si resulta que tienes esa descomposición y es correcta y reversible, entonces aumentar el número de características para el modelo sólo es beneficioso y aumenta su flexibilidad, lo principal es que las herramientas de MO no se vean comprometidas; por cierto, ahora han aparecido nuevas redes neuronales progresivas que hacen que el aprendizaje profundo alcance logros en velocidad por órdenes de magnitud.
Bueno + los elementos más ruidosos eliminados. ¿Qué son los ns, cómo se llaman? y ¿qué pasa con los xgboost, también los fabrican? )
hay un entrenamiento de agua ..... para "recordarlo" y filtrarlo por sí mismo
Bien + se han eliminado los elementos más ruidosos. ¿Qué son los ns, cómo se llaman? y qué pasa con los xgboost, ¿también los fabrican? )
Se trata de una nueva arquitectura de n-redes poco conocida, sin descensos de gradiente, todo es primitivamente simple, como el cerebro del camarada mencionado).
¿Dónde leo? No puedo encontrar nada en Google.
aquí están todas las opciones https://tproger.ru/translations/neural-network-zoo-2/
¿Dónde leo? No puedo encontrar nada en Google.
aquí están todas las opciones https://tproger.ru/translations/neural-network-zoo-2/
no hay mucho escrito sobre ello en el dominio público, pero se está investigando https://creatime.me/MediaLibrary/Zanimatelno/NovayaEra
Supongo que será aún mejor durante el día. A juzgar por el modelo y las ejecuciones preliminares de depuración. Pero es demasiado pronto para decir nada, por supuesto.
¿Cómo va todo?
no hay mucho escrito sobre ello en el dominio público, pero se está investigando https://creatime.me/MediaLibrary/Zanimatelno/NovayaEra
no hay mucho escrito sobre ello en el dominio público, pero se está investigando https://creatime.me/MediaLibrary/Zanimatelno/NovayaEra
ah, bueno, todavía no hay bibliotecas... no puedes escribirlas tú mismo )