Ответсообщение недоступно
Ссылка
нажмите — покажем
нажмите — покажем
а есть у кого доступ в nature чтобы эту статью скачать?
https://www.nature.com/articles/s41568-026-00948-6
не нашёл в открытом доступе нигде
Геннадий МузыкантовСсылка
Я что-то запутался.
Вопрос: как градиентный спуск выбирает первый шаг? Я же не знаю куда двигаться.
Всё равно нужно разбрасывать пробы вокруг первой точки, и сравнивать значение чтобы начать движение.
И вокруг второй точки, и третьей...
Sergei VatolinЯ что-то запутался.
Вопрос: как градиентный спуск выбирает первый шаг? Я же не знаю куда двигаться.
Всё равно нужно разбрасывать пробы вокруг первой точки, и сравнивать значение чтобы начать движение.
И вокруг второй точки, и третьей...
Хороший вопрос. То, что мы со старта стоим на вершине шанс оч маленький. Поэтому грубо говоря мы сразу видим наклон. А если попали в какой-то локальный минимум, где градиент нулевой, то считай застряли.
Геннадий МузыкантовХороший вопрос. То, что мы со старта стоим на вершине шанс оч маленький. Поэтому грубо говоря мы сразу видим наклон. А если попали в какой-то локальный минимум, где градиент нулевой, то считай застряли.
В видио, на VK, человек совсем слепой. То есть практически, человек делает пробы в 4, 8 направлениях, выбирает снижение, и идёт туда.
То есть, чтобы просчитать градиент, нужны данные о местном locality.
Может быть я понял: я иду в любом направлении, если дельта положительная, то сворачиваю. И так ищу постоянное снижение, забегая на положительные участке градиент, но в целом спускаясь, находя отрицательные значения. Поэтому и Stochstic Gradient Discend
Sergei VatolinВ видио, на VK, человек совсем слепой. То есть практически, человек делает пробы в 4, 8 направлениях, выбирает снижение, и идёт туда.
То есть, чтобы просчитать градиент, нужны данные о местном locality.
Может быть я понял: я иду в любом направлении, если дельта положительная, то сворачиваю. И
Да, идея про локальную информацию верная. Единственное уточнение: в градиентном спуске локальный наклон обычно вычисляют, а не определяют пробами в разные стороны.
Ответсообщение недоступно
А стохастический потому что на каждом шаге градиент вычисляется по случайно выбранным данным, а не потому, что алгоритм случайно выбирает направление движения.
Grigory Sapunovа есть у кого доступ в nature чтобы эту статью скачать?
https://www.nature.com/articles/s41568-026-00948-6
не нашёл в открытом доступе нигде
скачал через бота. спасибо тому, кто загрузил!
Геннадий МузыкантовДа, идея про локальную информацию верная. Единственное уточнение: в градиентном спуске локальный наклон обычно вычисляют, а не определяют пробами в разные стороны.
Просто чтобы что-то вычислить, нужна информация, данные. Данные об окружении или о том какое окружение будет в следующий момент отсутствуют.
На видио показан профиль, форма к которой идёт преобразование. А в природе эта конечная цель, форма отсутствует. Наверное..
Sergei VatolinПросто чтобы что-то вычислить, нужна информация, данные. Данные об окружении или о том какое окружение будет в следующий момент отсутствуют.
На видио показан профиль, форма к которой идёт преобразование. А в природе эта конечная цель, форма отсутствует. Наверное..
Во первых спасибо, что посмотрели, почитали и не стали однозначно критиковать! А начали задавать качественные и правильные вопросы. Это очень ценно.
Во вторых действительно в природе идёт отбор без конечной цели как таковой (тут я конечно выдаю личное мнение).
Ну и действительно есть математические трюки, которые долго придумывали и улучшали. Они далеки от природных алгоритмов, но наши житейские задачи вполне позволяют решать.
Геннадий МузыкантовВо первых спасибо, что посмотрели, почитали и не стали однозначно критиковать! А начали задавать качественные и правильные вопросы. Это очень ценно.
Во вторых действительно в природе идёт отбор без конечной цели как таковой (тут я конечно выдаю личное мнение).
Ну и действительно есть математически
Я по ссылке зашёл на оригинальную статью по клеточным автоматам. Там где есть интегрированные в текст симуляции.
Интересно то, что если выставить "persistent ", а затем начать поворачивать объект, то его судьба, существование зависит от количества осей симметрии.
Ящерка исчезает при поворотах.
Паутина стабильна.
Глаз начинает "пролифилировать", но хаотично.
Бабочка возпроизводит бабочку, неполностью, но у неё получается. И не одну.
Геннадий МузыкантовВо первых спасибо, что посмотрели, почитали и не стали однозначно критиковать! А начали задавать качественные и правильные вопросы. Это очень ценно.
Во вторых действительно в природе идёт отбор без конечной цели как таковой (тут я конечно выдаю личное мнение).
Ну и действительно есть математически
Текст получился как и введение в клеточные автоматы для биологов.
Sergei VatolinЯ по ссылке зашёл на оригинальную статью по клеточным автоматам. Там где есть интегрированные в текст симуляции.
Интересно то, что если выставить "persistent ", а затем начать поворачивать объект, то его судьба, существование зависит от количества осей симметрии.
Ящерка исчезает при поворотах.
Па
Будет ли продолжительность жизни объектов, клеточных автоматов, зависть от количества осей симметрии?
Sergei VatolinБудет ли продолжительность жизни объектов, клеточных автоматов, зависть от количества осей симметрии?
От количества осей симметрии может измениться скорость обучения. Чтоб закодировать симметрию нужно меньше информации, чем что-то ассиметричное. Соответственно будет достаточно меньше параметров для сжатия этой информации.
Геннадий МузыкантовОт количества осей симметрии может измениться скорость обучения. Чтоб закодировать симметрию нужно меньше информации, чем что-то ассиметричное. Соответственно будет достаточно меньше параметров для сжатия этой информации.
Меня цифровая бабочка заинтересовала: одна ось симметрии, но при достаточно большом повороте, оторвавшаяся часть может регенерировать весь объект, организм. Как планария.
Ответсообщение недоступно
Фотография
нажмите — покажем
нажмите — покажем
Фотография
нажмите — покажем
нажмите — покажем
Я создала несколько графиков по "вероятности смерти" людей в разных странах для продвижения темы лонджевити в Википедии. Прикрепляю примеры.
Ответсообщение недоступно
Эмпирические наблюдения показывают, что в период с 40 до 90 лет эта величина изменяется по закону смертности Гомперца-Мейкема. Я хочу иметь алгоритм аппроксимации реальных данных этой функцией, чтобы по ней точно вычислять, на сколько процентов в среднем увеличивается каждый год вероятность смерти людей в разных странах.
Ответсообщение недоступно
Фотография
нажмите — покажем
нажмите — покажем
Фотография
нажмите — покажем
нажмите — покажем
Поскольку формула для закона смертности Гомперца-Мейкема экспоненциальная, то на графике аппроксимированная функция должна выглядеть как прямая. С помощью графического редактора приблизительно покажу, какой результат хочу получить.
Ответсообщение недоступно
Фотография
нажмите — покажем
нажмите — покажем
Я экспериментировала с кодом типа как на скриншоте. Но то, что получалось в ходе моих экспериментов - на графике выглядело либо как изогнутая линия, либо как прямая линия под неправильным углом.
Скрипты, которые я использовала для обработки данных и построения графиков для Японии, Канады и США.
Ответсообщение недоступно
Возможно, кто-то даст умный совет или укажет на ошибку.
Высшего образования у меня нет.
Я пыталась использовать ИИ, но толку не случилось (возможно, задавала неправильные вопросы или что-то не учитываю).
Malvina PushkovaЯ экспериментировала с кодом типа как на скриншоте. Но то, что получалось в ходе моих экспериментов - на графике выглядело либо как изогнутая линия, либо как прямая линия под неправильным углом.
Скрипты, которые я использовала для обработки данных и построения графиков для Японии, Канады и США.
Мне видится, что постановка задачи у вас корректная и вы можете дойти до вероятности если оцените коэффициенты модели. Однако, то что у вас на графике это mortality rate в логарифмических координатах, в которых экспоненциальный закон становится линейным. В функции на скриншоте я же вижу экспоненту. Скорее всего вы пытаетесь "нафитить" экспоненту на точки графика и это приводит к кривой линии, о которой вы говорите. Попросите ИИ записать закон Гомпертца-Макехама в лог-шкале а затем пересчитать коэффициенты обратно.