Дата саентологисты?
Подбором коэффициентов же машина занимается. Человек при этом вполне может составить задачу по вычислению нужных данных через постановку задачи оптимизации или задачи управления, главное только знать предметную область хотя бы на уровне потоков данных, с которыми работаешь и цель, которую пытаешься достигнуть.
Весов - само собой, но метапараметры ты сам настраиваешь, в частности коэффициенты влияния показателей на модель. Если неправильно подобрал - хуй тебе машина нормальную модель построит. Вот и приходится сидеть, подбирать, исходя из характера данных (и да, я не настоящий сварщик).
Как кибернетика меня пугают слова "сидеть-подбирать". Целевая функция и др. параметры мат. модели формируются из понимания природы показателей, которыми описываются бизнес-процессы, на худой конец есть множественная регрессия для построения общего вида функции по набору известных данных (она же и позволяет сразу оценить параметры для максимального приближения к исходным данным по МНК). Подбор любых других параметров может быть представлен через мат. задачу оптимизации для которой есть известный набор методов решения, либо через задачу оптимального управления, которая по сути является подвидом задачи оптимизации, методы решения которых также известны (я, например, в студенческие года любил градиентные методы, главное не заниматься ими вручную).
Исходя из вышеописанного - не вижу места, где нужен подбор чего-либо. Без человека просто не всегда возможно сформулировать общий вид модели и её ограничений, а ещё машины не могут в цели, так что задать цель тоже нужно человеку в соответствии с ожиданиями или выбранной стратегией.
Исходя из вышеописанного - не вижу места, где нужен подбор чего-либо. Без человека просто не всегда возможно сформулировать общий вид модели и её ограничений, а ещё машины не могут в цели, так что задать цель тоже нужно человеку в соответствии с ожиданиями или выбранной стратегией.
>из понимания природы показателей
Ага, вот на цифры посмотрел, как Нео из Матрицы, и сразу понял всю природу цифр, увидел все аномалии, всплески, сразу понял все связи, причины поведений последовательностей, все корреляции. И сразу все параметры правильно задал, не подбирая.
И неклассифицированные данные сразу правильно классифицировать получилось.
Ты точно не студент-теоретик и работаешь с задачами реального бизнеса?
Ага, вот на цифры посмотрел, как Нео из Матрицы, и сразу понял всю природу цифр, увидел все аномалии, всплески, сразу понял все связи, причины поведений последовательностей, все корреляции. И сразу все параметры правильно задал, не подбирая.
И неклассифицированные данные сразу правильно классифицировать получилось.
Ты точно не студент-теоретик и работаешь с задачами реального бизнеса?
Я так выводы на лабе делал по терверу:
"С увеличением выборки моменты случайной величины все лучше сходятся к своим теоретическим значениям, однако, с увеличением выборки также растет значение критерия χ2, так как, несмотря на меньшие отклонения в каждом разряде от теоретического значения, n растет быстрее, чем уменьшается эта разность, что говорит нам о том, что увеличивается степень отклонения от нуль-гипотезы, а значит, качество распределения падает. То есть, в связи с несовершенством ГСЧ, с увеличением длины последовательности растет корреляция между элементами выборки, из-за чего падает доверительная вероятность.
Для получения статистически достоверного закона распределения
требуется соответствующий исходный ГСЧ. Поскольку программным путем не удается получить минимально коррелированную репрезентативную выборку достаточно большого объема n, следует считать, что критерии согласия, начиная с некоторого значения n, будут давать отрицательный результат."
"С увеличением выборки моменты случайной величины все лучше сходятся к своим теоретическим значениям, однако, с увеличением выборки также растет значение критерия χ2, так как, несмотря на меньшие отклонения в каждом разряде от теоретического значения, n растет быстрее, чем уменьшается эта разность, что говорит нам о том, что увеличивается степень отклонения от нуль-гипотезы, а значит, качество распределения падает. То есть, в связи с несовершенством ГСЧ, с увеличением длины последовательности растет корреляция между элементами выборки, из-за чего падает доверительная вероятность.
Для получения статистически достоверного закона распределения
требуется соответствующий исходный ГСЧ. Поскольку программным путем не удается получить минимально коррелированную репрезентативную выборку достаточно большого объема n, следует считать, что критерии согласия, начиная с некоторого значения n, будут давать отрицательный результат."
Дата сатанисты.
В следующий раз при рекламе сайта размещай ссылку.
Он должен был восстать и убить тупые куски мяса!
Ну да. Джанго же ещё жив.
Можно, пожалуйста, пошаговую инструкцию, как стать Data Scientist?
Чтобы написать коммент, необходимо залогиниться
2. Ушел домой, так как нейросеть обучается весь день
3. На выходе из офиса забираешь очередной мешок денег
4. На следующий день обнаруживаешь, что коэффициенты хуйня и переходишь к шагу 1
...
PROFIT!