чем машинное обучение не оптимизационная задача? это всё одно и то же...
Оптимизация есть и в обычных советниках и в советниках с НС, только в простых советниках ты ограничен диапазоном оптимизируемых параметров, а в НС диапазоном весовых коэффицентов, который на тысячу порядков большем чем диапазон любых оптимизируемых обыкновенных параметров при равном их количестве. Я ответил на Ваш вопрос?
чем машинное обучение не оптимизационная задача? это всё одно и то же...
Ну, границы четкой нету, также как между классической статистикой и МО. Но вообще, под "оптимизацией", понимаются численные методы поиска, разных условных точек(экстремумы и тд.), обычно это итеративные приближенные методы, а в МО достаточно и не итеративных и не приближенных алгоритмов, например таже линейная регрессия. Некоторые МО алгоритмы обучаются оптимизационными методами, "отжигом" и тп. Но совсем свести МО к оптимизации наверно не правильно.
В SkillFactory стартовал набор на новый онлайн-курс, где вы пройдете полный цикл обучения, начиная с изучения Python для анализа данных, классического машинного обучения и заканчивая нейросетями и диплёрнингом. Специальных знаний чтобы начать не потребуется, всему научат на месте. Зачем обучать машины Снова разберём на Олегах. Предположим, Олег...
Наткнулся нечаянно, стиль изложения понравился. Насколько содержимое соответствует действительности?
Очень классная статья, спасибо что нашёл. Статья очень хорошо раскрывает что к чему, с детальным пояснением и схемами. Начав читать статью я уже понял в каком направлении мне нужно изучать материал для своей давнейшей хотелки. На вопрос который я тут задавал, так и не получил ответа, а в статье его нашёл. Статью ещё не дочитал, читаю, но чувствую что нужно будет перечитать её несколько раз, с разным периодом времени, чтоб уловить нужные детали. И сохранить html страницу себе в архив, на всякий случай. На ваш вопрос "Насколько содержимое соответствует действительности?" В принципе это основа понимания, которая расписана очень доходчивым языком. И мне кажется что здешние умы которые пытаются использовать деревья решений, идут не верным путём. Так как выбран изначально не тот тип для реализации, как понятно из статьи деревья решений относятся к типу классификации. А этот тип заточен на предсказание категории объекта, а не предсказания чисел. Возможно я и ошибаюсь, так как не могу знать поставленных задач. И повторю, что это базовое понимание с чего начать, и как пишется в статье, типов для решения задач много разновидностей. Главное правильно выбрать этот тип, под свою поставленную задачу. Как то так, ушёл дальше читать ))
Как то недавно, мне потребовалась необходимость связаться с поддержкой сотового оператора, чтобы выяснить свои вопросы. Естественно для быстрого получения ответа, был выбран онлайн чат на сайте сотовой компании, в надежде что на той стороне будет какой то живой человек. Но через пару вопросов и получения на них ответа, сразу понял, что мне отвечает чат-бот, так как на поставленный мной вопрос он не мог ответить правильно, и постоянно переспрашивал у меня, уточните пожалуйста вопрос. В очередной раз получив такой ответ, я ему написал что ты тупой и бесполезный бот. На что он мне честно ответил, извините я только учусь ))
Ок, понял. Получается регрессия на деревьях расширяет возможности обычной регрессии? И ещё вопрос, регрессия и градиентный спуск, это похожие алгоритмы решения задачи или разные? Если похожие, то какой алгоритм более точнее?
Регрессия и классификация - это задачи которые могут выполнять как леса так и нейросети. Градинтный спуск это метод которым нейросети осуществляют подбор весов/множителей/смещений для нейронов.
elibrarius: Регрессия и классификация - это задачи которые могут выполнять как леса так и нейросети. Градинтный спуск это метод которым нейросети осуществляют подбор весов/множителей/смещений для нейронов.
Благодарю, но я не много о другом имел ввиду. О схожести конечного результата, регрессии и градиентного спуска. Регрессия находит среднюю точку между соседями, градиентный спуск находит максимально ближайшую точку. По сути мне кажется, что алгоритмы поиска похожи в конечном результате. Различие будет в ошибке отклонения. Вот и подумалось, что будет давать меньшую ошибку? Мне кажется градиентный спуск более точнее будет чем регрессия.
К чему я веду, к примеру есть учитель, на выходе сети нужно получить копию учителя, с минимальной ошибкой. Вот и не могу определиться, какую модель применить с каким алгоритмом.
Для авторизации и пользования сайтом MQL5.com необходимо разрешить использование файлов Сookie.
Пожалуйста, включите в вашем браузере данную настройку, иначе вы не сможете авторизоваться.
Вы вошли в аккаунт. Двухфакторная аутентификация отключена. Настройте её заново и отсканируйте новый QR-код или продолжите с отключённой двухфакторной аутентификацией.
чем машинное обучение не оптимизационная задача? это всё одно и то же...
Оптимизация есть и в обычных советниках и в советниках с НС, только в простых советниках ты ограничен диапазоном оптимизируемых параметров, а в НС диапазоном весовых коэффицентов, который на тысячу порядков большем чем диапазон любых оптимизируемых обыкновенных параметров при равном их количестве. Я ответил на Ваш вопрос?
чем машинное обучение не оптимизационная задача? это всё одно и то же...
Что многоуважаемые умы скажут о статье?
Наткнулся нечаянно, стиль изложения понравился. Насколько содержимое соответствует действительности?
elibrarius:
7-8 минуты комментарий на нашу тему от практика
82 год СССР
Что многоуважаемые умы скажут о статье?
Наткнулся нечаянно, стиль изложения понравился. Насколько содержимое соответствует действительности?
Очень классная статья, спасибо что нашёл.
Статья очень хорошо раскрывает что к чему, с детальным пояснением и схемами.
Начав читать статью я уже понял в каком направлении мне нужно изучать материал для своей давнейшей хотелки.
На вопрос который я тут задавал, так и не получил ответа, а в статье его нашёл.
Статью ещё не дочитал, читаю, но чувствую что нужно будет перечитать её несколько раз, с разным периодом времени, чтоб уловить нужные детали.
И сохранить html страницу себе в архив, на всякий случай.
На ваш вопрос "Насколько содержимое соответствует действительности?"
В принципе это основа понимания, которая расписана очень доходчивым языком.
И мне кажется что здешние умы которые пытаются использовать деревья решений, идут не верным путём.
Так как выбран изначально не тот тип для реализации, как понятно из статьи деревья решений относятся к типу классификации.
А этот тип заточен на предсказание категории объекта, а не предсказания чисел.
Возможно я и ошибаюсь, так как не могу знать поставленных задач.
И повторю, что это базовое понимание с чего начать, и как пишется в статье, типов для решения задач много разновидностей.
Главное правильно выбрать этот тип, под свою поставленную задачу.
Как то так, ушёл дальше читать ))
Естественно для быстрого получения ответа, был выбран онлайн чат на сайте сотовой компании, в надежде что на той стороне будет какой то живой человек.
Но через пару вопросов и получения на них ответа, сразу понял, что мне отвечает чат-бот, так как на поставленный мной вопрос он не мог ответить правильно,
и постоянно переспрашивал у меня, уточните пожалуйста вопрос.
В очередной раз получив такой ответ, я ему написал что ты тупой и бесполезный бот.
На что он мне честно ответил, извините я только учусь ))
Просто вспомнился сей момент общения с ботом )
Так как выбран изначально не тот тип для реализации, как понятно из статьи деревья решений относятся к типу классификации.
Не только. Регрессию они тоже умеют.
Не только. Регрессию они тоже умеют.
Ок, понял. Получается регрессия на деревьях расширяет возможности обычной регрессии?
И ещё вопрос, регрессия и градиентный спуск, это похожие алгоритмы решения задачи или разные?
Если похожие, то какой алгоритм более точнее?
Градинтный спуск это метод которым нейросети осуществляют подбор весов/множителей/смещений для нейронов.
Регрессия и классификация - это задачи которые могут выполнять как леса так и нейросети.
Градинтный спуск это метод которым нейросети осуществляют подбор весов/множителей/смещений для нейронов.
Благодарю, но я не много о другом имел ввиду.
О схожести конечного результата, регрессии и градиентного спуска.
Регрессия находит среднюю точку между соседями, градиентный спуск находит максимально ближайшую точку.
По сути мне кажется, что алгоритмы поиска похожи в конечном результате.
Различие будет в ошибке отклонения. Вот и подумалось, что будет давать меньшую ошибку?
Мне кажется градиентный спуск более точнее будет чем регрессия.
К чему я веду, к примеру есть учитель, на выходе сети нужно получить копию учителя, с минимальной ошибкой.
Вот и не могу определиться, какую модель применить с каким алгоритмом.