ChatCrawlerпоиск по публичному Telegram Открыть приложение
M

Mathematics in aging

876 участников
S
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...
Г
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.
S
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
Г
Ответсообщение недоступно
А стохастический потому что на каждом шаге градиент вычисляется по случайно выбранным данным, а не потому, что алгоритм случайно выбирает направление движения.
S
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..
Г
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.
S
Г
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.
S
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
Фотография
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
Фотография
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
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.
M
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).
D
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.
Открыть в Telegram Каталог площадок Искать в ChatCrawler

Слепок открытой публичной ленты из поискового индекса ChatCrawler — «Google по публичному Telegram»; обновляется по мере обхода площадки. Время — UTC.

Только публичный контент, официальный API Telegram. О проекте · Вопросы · Чего мы не делаем · Убрать страницу из выдачи · Каталог