Вы уверены, что проблема действительно есть?
Студентов на протяжении 4х лет такой жести учат (должны учить) по сравнению с основополагающей (но от этого не менее тривиальной) парадигмой, что проблема и статья о ней выглядят высосанными из пальца.
Могут подобные оптимизированные архитектуры потеснить GPU вычисления? Интересно было бы взглянуть на их сравнение не со своей оригинальной архитектурой, а с современными GPU'шками.
Спасибо за статью, но всё же она скорее разочаровала, чем наоборот.
1. На фразе «для большинства задач либо не существует глубинной нейросети,… » мне резко вспомнилась теорема Колмогорова, дающая обратное вашему утверждение.
2. Вы сказали, что для её чтения нужен «значительный опыт» работы с DL, в статье же 90% воды, которую дают в рамках самого введения в DL.
3. Упомянуть об RNN стоило в тот момент, когда вы говорили, что сети в отличии от человеческого интеллекта не способны на «долгосрочное планирование»( LSTM, GRU, ...)
Спасибо за статью.
Немного смутило предположение о возможном наличии переобучения. Уточните как вы валидировали модель и как получены Accuracy и Precision оценки?
Хочется отметить вопрос терминологии. Value types переводятся как «значимые», а не вещественные. Этот вопрос принципиален, так как, например, тип Int32 (Value type, как вы понимаете) является целочисленным, не вещественным.
>Масла в огонь подливают высказывания разработчиков D-Wave, согласно которым их детище не обязательно предлагает самое эффективное решение задач по оптимизации.
Оптимизация по своей природе никогда не гарантирует лучшее решение
Погрешность считал на кросс-валидации. При такой маленькой выборке, hold-out метод ненадёжен.
Дерево не визуализировал, хотя согласен, оно может оказаться весьма интересным, обязательно построю, спасибо.
Стоп, извиняюсь, я перечитал изначальный вопрос. «Прогнозирование среднестатистической величины». Разумеется в этом нет смысла, но я этого и не делаю. Я прогнозирую оценку конкретного студента, основываясь на его предыдущих оценках
Ответ на 1-й вопрос: тут я нашёл две причины:
1. Человеку свойственно сравнивать себя с другими, а благодаря средней оценке, можно сравнить свои представления о собственном уровне с реальным положением дел.
2. Это является способом оценить предмет на «сложность» относительно другого. Ведь если по одному предмету 80% народу получает 5, а по-другому эти же 80% получают 4, то резонно предположить, что второй предмет сложнее. А это даёт основания для расстановки приоритетов.
2-й вопрос: Никак, это излишняя сложность и она не требовалась. К тому же «субъективные» — это трудно формализуемое понятие, возможно вы сможете конкретизировать?
Да, идеи оптимизации я старался выделить, но видимо сделал это не очень хорошо.
Две основные идеи оптимизации:
1. Проранжировав работы по степени сложности, мы можем верно расставить приоритеты
2. Зная корреляции между работами, мы можем выделить наиболее сильно коррелирующие, и повторить материалы этих лаб при подготовке к исследуемой
Интересная статья, спасибо!
Хотелось бы вам предложить заглянуть на страничку датасета футбольной статистики на kaggle: https://www.kaggle.com/prajitdatta/ultimate-25k-matches-football-database-european
Мне кажется вы найдёте там много интересного для подобных исследований :)
С этим сервисом я разбирался где-то месяца два назад и тогда он толком не работал. В комментарии ниже, написали, что и сейчас он должным образом не функционирует.
К сожалению исследуемый датасет не является репрезентативными относительно российского кинематографа, поэтому для его исследования придётся собирать данные отдельно
Студентов на протяжении 4х лет такой жести учат (должны учить) по сравнению с основополагающей (но от этого не менее тривиальной) парадигмой, что проблема и статья о ней выглядят высосанными из пальца.
1. На фразе «для большинства задач либо не существует глубинной нейросети,… » мне резко вспомнилась теорема Колмогорова, дающая обратное вашему утверждение.
2. Вы сказали, что для её чтения нужен «значительный опыт» работы с DL, в статье же 90% воды, которую дают в рамках самого введения в DL.
3. Упомянуть об RNN стоило в тот момент, когда вы говорили, что сети в отличии от человеческого интеллекта не способны на «долгосрочное планирование»( LSTM, GRU, ...)
Немного смутило предположение о возможном наличии переобучения. Уточните как вы валидировали модель и как получены Accuracy и Precision оценки?
Оптимизация по своей природе никогда не гарантирует лучшее решение
Дерево не визуализировал, хотя согласен, оно может оказаться весьма интересным, обязательно построю, спасибо.
1. Человеку свойственно сравнивать себя с другими, а благодаря средней оценке, можно сравнить свои представления о собственном уровне с реальным положением дел.
2. Это является способом оценить предмет на «сложность» относительно другого. Ведь если по одному предмету 80% народу получает 5, а по-другому эти же 80% получают 4, то резонно предположить, что второй предмет сложнее. А это даёт основания для расстановки приоритетов.
2-й вопрос: Никак, это излишняя сложность и она не требовалась. К тому же «субъективные» — это трудно формализуемое понятие, возможно вы сможете конкретизировать?
Две основные идеи оптимизации:
1. Проранжировав работы по степени сложности, мы можем верно расставить приоритеты
2. Зная корреляции между работами, мы можем выделить наиболее сильно коррелирующие, и повторить материалы этих лаб при подготовке к исследуемой
Хотелось бы вам предложить заглянуть на страничку датасета футбольной статистики на kaggle: https://www.kaggle.com/prajitdatta/ultimate-25k-matches-football-database-european
Мне кажется вы найдёте там много интересного для подобных исследований :)
А датасет состоит только из фичей указанных в статье? Я был бы очень благодарен за возможность поиграться с ним :)