"यदि आपके हाथों में हथौड़ा है, तो सब कुछ नाखूनों जैसा दिखता है"

जैसा कि डेटा का अभ्यास करने वाले वैज्ञानिक, हम डेटा के विश्लेषण में लगे हुए हैं, उनके संग्रह, शुद्धि, संवर्धन, हम अपने चारों ओर दुनिया के मॉडल बनाते हैं और प्रशिक्षित करते हैं, डेटा के आधार पर, हम डेटा के बीच आंतरिक संबंधों और विरोधाभासों का पता लगाते हैं, कभी-कभी कोई भी नहीं होता है। बेशक, इस तरह का विसर्जन हमारी दृष्टि और दुनिया की समझ को प्रभावित नहीं कर सका। व्यावसायिक विकृति हमारे पेशे में उसी तरह मौजूद है जैसे किसी अन्य में, लेकिन वास्तव में यह हमारे लिए क्या है और यह हमारे जीवन को कैसे प्रभावित करता है?

त्याग

यह लेख वैज्ञानिक होने का दावा नहीं करता है, ओडीएस समुदाय के एक भी दृष्टिकोण को व्यक्त नहीं करता है, और लेखक की व्यक्तिगत राय है।

प्रस्तावना

यदि आप रुचि रखते हैं कि हमारा मस्तिष्क कैसे काम करता है, हम अपने आसपास की दुनिया को कैसे महसूस करते हैं, और वास्तव में हम यहां क्या कर रहे हैं, तो इस लेख में वर्णित कई चीजें आपके लिए पूरी तरह से नई नहीं होंगी। एक या दूसरे रूप में, यह सब पहले से ही पूरी तरह से अलग कोणों से एक से अधिक बार वर्णित किया गया है। मेरा कार्य डेटा विश्लेषक के दृष्टिकोण से यह सब देखने की कोशिश करना है, और उन उपकरणों और दृष्टिकोणों के बीच समानताएं भी खींचता है जो हम अपने काम और वास्तविक जीवन में मॉनिटर के बाहर उपयोग करते हैं।

परिचय

सबसे पहले, कुछ सरल सेटअप की कल्पना करें:

हमारे चारों ओर एक ऐसी दुनिया है, जिसमें जीवित रहने के लिए और सफलतापूर्वक कार्य करने के लिए, एक व्यक्ति को यह समझने की आवश्यकता है कि वह (दुनिया) क्या दर्शाता है, उसके साथ कैसे बातचीत करनी है, और विभिन्न इंटरैक्शन से क्या परिणाम प्राप्त होते हैं। यही है, दूसरे शब्दों में, एक व्यक्ति को अपने चारों ओर दुनिया के एक मॉडल की आवश्यकता होती है जो अपने वर्तमान कार्यों को पर्याप्त रूप से हल करता है । कुंजी " वर्तमान कार्य " है। जब अस्तित्व का कार्य पहले स्थान पर था, तो दुनिया का मॉडल बनाया गया था, सबसे पहले, खतरे की त्वरित मान्यता और उस पर पर्याप्त प्रतिक्रिया। यही है, जिनके पास एक बदतर मॉडल था - वे इसे पास नहीं कर सकते थे, जिनके पास बेहतर - उनके वंशज थे। रहने की स्थिति में सुधार के साथ, मॉडल में जोर शुद्ध अस्तित्व से कुछ अधिक उच्च संगठित में बदलना शुरू हो गया, और पर्यावरण को सुरक्षित, अधिक विविध यह "कुछ" हो जाता है। "कुछ" का स्पेक्ट्रम बहुत व्यापक है - बिटकॉइन और डीएस से कट्टरपंथी नारीवाद और सहिष्णुता के लिए।

प्रकृति ने सीमित संसाधनों की स्थिति में अस्तित्व की समस्या को हल करने के लिए हमारे मस्तिष्क का निर्माण किया - पर्याप्त भोजन नहीं था, किसी भी कचरे के लिए पर्याप्त ऊर्जा नहीं थी, इसलिए जीवित रहने के लिए, दो परस्पर अनन्य कार्यों को हल करना आवश्यक था:

• दुनिया की खोज, मॉडल में सुधार, अस्तित्व की संभावना में वृद्धि (एक बहुत ऊर्जा-खपत कार्य)
• ऊर्जा की कमी से मत मरो

प्रकृति ने इस दुविधा को बहुत ही शान्ति से हल किया, हमारे मस्तिष्क में डेटा प्रवाह और प्रतिक्रियाओं को कैश करने की क्षमता का परिचय देते हुए, जब बाहरी दुनिया के साथ बातचीत की बुनियादी समस्याओं (मौजूदा मॉडल के ढांचे के भीतर) को हल करने के लिए ऊर्जा व्यावहारिक रूप से बर्बाद नहीं होती है।

आप इस तरह के कैशिंग विधि और "ध्यान के संसाधन सिद्धांत" के बारे में और अधिक पढ़ सकते हैं । डी। काहनमैन के उत्कृष्ट कार्यों " धीरे सोचो, जल्दी से निर्णय लो " [1] और " ध्यान और प्रयास " [3]

डी। काहमन के अनुसार:

मनोवैज्ञानिक सोचने के दो तरीकों में अंतर करते हैं, जिसे हम सिस्टम 1 और सिस्टम 2 कहेंगे।

सिस्टम 1 स्वचालित रूप से और बहुत तेज़ी से काम करता है, बिना किसी आवश्यकता के या लगभग कोई प्रयास किए और जानबूझकर नियंत्रण की भावना दिए बिना

सिस्टम 2 जटिल गणनाओं सहित सचेत मानसिक प्रयासों के लिए आवश्यक ध्यान को बाहर करता है। सिस्टम 2 की क्रियाएं अक्सर गतिविधि, पसंद और एकाग्रता की एक व्यक्तिपरक भावना से जुड़ी होती हैं।

व्यवहार, प्रतिक्रियाओं और प्रतिक्रियाओं के पैटर्न हमारे दिमाग में क्रमबद्ध हैं (बचपन के रूप में और दुनिया के मॉडल को बदलते हैं) बचपन से मृत्यु तक। दो कारक उस चरण पर निर्भर करते हैं जिस पर मॉडल गठन स्थित है - जिस दर पर परिवर्तन स्वीकार किए जाते हैं और बदलने के लिए आवश्यक ऊर्जा की मात्रा होती है। बचपन में, जब मॉडल लचीला और लचीला होता है, तो गति अधिक होती है और ऊर्जा की लागत न्यूनतम होती है। मॉडल को सघन करने के लिए, उसे बदलने के लिए अधिक ऊर्जा की आवश्यकता होती है। इससे भी अधिक, ऊर्जा की भी आवश्यकता है ताकि एक व्यक्ति बस मॉडल में कुछ बदलना चाहता है । और ऊर्जा के किसी भी अपशिष्ट को मस्तिष्क द्वारा नियंत्रित किया जाता है, और वह इसे खर्च करने की अनुमति देने के लिए अनिच्छुक है।

मॉडल को बदलने का आदेश मस्तिष्क द्वारा अस्वीकार कर दिया जाएगा (फिर भी, यह ऊर्जा-खपत है, लेकिन क्यों? क्योंकि, क्योंकि हमारे साथ सब कुछ ठीक है) जब तक पुराने मॉडल के ढांचे के भीतर काम करना अस्तित्व के लिए खतरा है। खैर, या जब तक ऊर्जा एक सहज प्रकोप (किसी चीज से झटका, एक मनोवैज्ञानिक झटका, आदि) द्वारा प्राप्त नहीं होती है।

TL / DR:

• अस्तित्व के लिए, एक व्यक्ति अपने सिर को अपने चारों ओर की दुनिया का एक मॉडल बनाता है, अपने वर्तमान कार्यों को हल करता है
• किसी भी समस्या को हल करते समय, मस्तिष्क ऊर्जा की खपत को कम करने की कोशिश करता है।
• सिस्टम -1 (कहमैन) के ढांचे के भीतर कम से कम ऊर्जा-गहन संचालन, परिवर्तन पर निर्णय लेने में विफलता
• सिस्टम -2 के ढांचे के भीतर सबसे अधिक ऊर्जा-गहन कार्य कर रहा है, मॉडल को बदलने और स्वयं मॉडल को बदलने पर निर्णय कर रहा है

मेटामोडेल (मॉडल मॉडल)

तो, बाहरी दुनिया के साथ बातचीत करने के लिए, एक व्यक्ति अपने मस्तिष्क में दुनिया का एक मॉडल बनाता है और यथासंभव लंबे समय तक इसके अनुसार कार्य करता है (एक बार फिर से ऊर्जा लागत को कम करने के बारे में याद रखें)। लेकिन एक व्यक्ति, दुर्भाग्य से या सौभाग्य से, एक सामाजिक जानवर है - हम अन्य लोगों के साथ बातचीत नहीं कर सकते हैं और, अक्सर, ऐसी बातचीत हमें भ्रमित करती है।

अन्य लोगों के साथ प्रभावी ढंग से बातचीत करने के लिए, हम अपने सिर में इन लोगों के एक व्यवहार मॉडल का निर्माण करते हैं , अर्थात्, वे कुछ डेटा की उपस्थिति में कुछ परिस्थितियों में कैसे व्यवहार करेंगे। यही है, हम इस विशेष व्यक्ति के आसपास की दुनिया के मॉडल का एक मॉडल बना रहे हैं।

बंद करो और सोचो - किसी व्यक्ति के सिर में दुनिया का मॉडल अपूर्ण है और वह केवल पर्याप्तता और पर्याप्तता के अपने स्वयं के मानदंडों को पूरा करता है , और हम इस (अजीब) मॉडल का एक मॉडल बनाते हैं और हमारे मॉडल के अनुसार इस व्यक्ति के साथ बातचीत करते हैं। हां, और हम यह भी चाहते हैं कि लोग हमारे "मॉडल का मॉडल" हमें बताएं । आशावादी? हां, इससे ज्यादा…।

एक पर्याप्त मॉडल बनाने और प्रशिक्षित करने के लिए, यह मेरे लिए नहीं है कि आपको बताएं, आपको बहुत समय, ऊर्जा और डेटा की आवश्यकता है। और हमारे पास अक्सर या तो एक या दूसरे नहीं होते हैं, और जितनी अधिक स्वतंत्रता (पैरामीटर) मॉडल होता है, उतना ही अधिक डेटा की आवश्यकता होती है - आयाम का अभिशाप, याद है?

और जीवन उड़ जाता है, और समय कम है, इसलिए (सिस्टम -1 काम करता है), एक व्यक्ति से मिलना, और यहां तक ​​कि कुछ स्थितियों में उसके साथ संवाद करना, हम अपने पहले से संकलित मॉडल टेम्पलेट्स में से एक का चयन करते हैं जो हमारे पास पहले से है सिर ("कुतिया", "सामान्य बच्चा", "मोलहिल", "बस" नहीं ।; ak ", आदि), शायद एक विशेष मामले के लिए फिन्टूनिया का थोड़ा सा।

हां, निश्चित रूप से, अपवाद हैं, ऐसे लोग हैं जिनके लिए हम समय या ऊर्जा के लिए खेद महसूस नहीं करते हैं, और जिन्हें हम अपने पूरे जीवन में जानते हैं। लेकिन इस मामले में, हम केवल उस व्यक्ति के बारे में जानते हैं जो इस व्यक्ति के मॉडल में है।

यहाँ से क्या होगा? कुछ स्पष्ट बातें:

खैर, सबसे पहले , जिस तारीख को वैज्ञानिक अन्य लोगों के प्रति नाराजगी महसूस नहीं करते हैं ।

पूरी तरह से शब्द से। उनकी शब्दावली में, "आक्रोश" शब्द अनुपस्थित है। क्यों? सब कुछ सरल है - किसी भी अपमान के दिल में हमारी गलतफहमी है:

• वह (वह) ऐसा कैसे कह सकती है (कहो, करो, कार्य करो)?
• या नहीं (कहते हैं, करते हैं,)?

यही है, इस व्यक्ति के हमारे मॉडल में, वह विशिष्ट परिस्थितियों में सूचना के एक विशिष्ट इनपुट पैकेट के साथ इस तरह से काम करना चाहिए था, लेकिन ऐसा नहीं किया। उस कमीने, हुह? हाँ, वह कमीने नहीं है, लेकिन इस व्यक्ति का हमारा मॉडल गलत है। हम इसमें कुछ चूक गए, या विशिष्ट परिस्थितियों के लिए बिल्कुल भी प्रशंसक नहीं थे, लेकिन बस एक टेम्पलेट लिया, या वर्तमान स्थिति में इनपुट डेटा उन लोगों से अलग हैं, जिन पर हमने मॉडल को प्रशिक्षित किया था।

इस मामले में क्या करना है? हमेशा की तरह ही - हम देखते हैं कि डेटा में क्या गलत है और नई जानकारी के साथ मॉडल को पछाड़ रहा है।

दूसरे , साइंटिस्ट की तारीख में रिफ्लेक्स नहीं है " कोई व्यक्ति इंटरनेट पर गलत है "।

यह न केवल इंटरनेट पर, बल्कि काम पर, समाज में भी काम करता है। यदि कोई व्यक्ति कुछ नहीं समझता है (जैसा कि वह आपको लगता है), या समझता है, लेकिन जिस तरह से आप करते हैं, शायद वह दुनिया के इस हिस्से के लिए पूरी तरह से एक अलग मॉडल है । और ऐसे समझाने के लिए, अर्थात्। अपने मॉडल को बदलने के लिए उसे प्राप्त करना (विशेषकर यदि वह नहीं चाहता है) बहुत मुश्किल है और बहुत ऊर्जा गहन है। क्या आपको इसकी आवश्यकता है?

एक पूरी तरह से अलग विकल्प, जब कोई व्यक्ति अपने मॉडल को बदलने के लिए तैयार होता है, तो वह इसे विस्तार या कसना चाहता है, और इसके लिए उसके पास ताकत और ऊर्जा है। आप मदद कर सकते हैं - मदद कर सकते हैं, नहीं कर सकते हैं - किसी को जो प्रत्यक्ष कर सकते हैं। आप न तो मदद कर सकते हैं और न ही प्रत्यक्ष - हस्तक्षेप नहीं कर सकते ।

अगली बार, अगर किसी व्यक्ति के साथ आपकी राय में वह गलत है, तो वह "गलत" या "कुछ समझ में नहीं" आता है। दुनिया के उनके मॉडल में, सब कुछ अलग है। अधिक मोटे और "सरल" मॉडल, अधिक से अधिक ऊर्जा की आवश्यकता कम से कम इसे संतुलन बिंदु से बाहर निकलना है , न कि कुछ बदलने का उल्लेख करने के लिए।

और तीसरा , साइंटिस्ट की तारीख को सिद्धांत याद रखता है " चीजें हमेशा वैसी नहीं होती हैं जैसी वे लगती हैं ।"

यह समझने के लिए कि यह प्रणाली कैसे काम करती है, उस विषय की नकल करने, कुछ बुनियादी टेम्पलेट के अनुकूल होने का अवसर है, उस समाज से परिचित होना जिसमें आप वर्तमान में स्थित हैं, और जब तक आप इससे बाहर नहीं निकलते, तब तक सब कुछ ठीक रहेगा। यह दोनों तरह से काम करता है, इसलिए यह मत भूलना - "एक उल्लू ऐसा नहीं है जो ऐसा लगता है ।"

"सांप के रूप में रस्सी की धारणा रस्सी के समान रस्सी की धारणा के समान झूठी है" (सी)

मॉडल निर्माण और प्रशिक्षण

एक वैज्ञानिक तिथि के रूप में, हम अच्छी तरह से समझते हैं कि निर्माण, प्रशिक्षण और लगातार या कम पर्याप्त मॉडल को फिर से प्रशिक्षित करना कितना मुश्किल है। और इसलिए, साइंटिस्ट की तारीख शांत और धैर्यपूर्वक अन्य लोगों के सिर में मॉडल की अपूर्णता को संदर्भित करती है और लगातार अपने स्वयं में सुधार करती है । और जब से वह अभी भी एक पेशेवर है, वह पूरी तरह से सफल मॉडलिंग के बुनियादी सिद्धांतों को याद करता है:

क्या होता है चारों ओर आता है (कचरा - कचरा बाहर।)

मॉडल की सटीकता और पर्याप्तता किसी भी चीज़ पर डेटा की शुद्धता पर निर्भर करती है। हम सभी यह जानते हैं, हम डेटा की सफाई, प्रीप्रोसेसिंग, सामान्यीकरण, और इसी तरह और आगे और आगे की बहुत बड़ी राशि खर्च करते हैं। कचरा मॉडल फ़ीड - और परिणाम अनुमानित है। उसे साफ सामान्यीकृत डेटा फ़ीड - और अपनी जेब में अंतर्दृष्टि। हमारे सिर में मॉडल बिल्कुल उसी तरह काम करते हैं। इसे समझते हुए, हम प्रसंस्करण और प्रशिक्षण के लिए सबसे सटीक और स्वच्छ डेटा का उपयोग करने का प्रयास करते हैं, हम लगातार डेटा की पर्याप्तता का विश्लेषण करने के लिए एक महत्वपूर्ण दृष्टिकोण का उपयोग करते हैं, और हम अपने मॉडल में गंदी और शोर जानकारी को रोकने का प्रयास करते हैं । संक्षेप में - हैबर पढ़ें और पहला चैनल न देखें।

ट्रेन और टेस्ट के बीच का अंतर (हमारा सिरदर्द)

वैज्ञानिक यह समझते हैं कि मॉडल की प्रयोज्यता सीधे उस वितरण की समानता पर निर्भर करती है जिस पर मॉडल ने अध्ययन किया है और जिसके लिए इसे लागू किया गया है । एक समाज में व्यवहार के नियम दूसरे में काम नहीं करते हैं, एक क्षेत्र में सफलता के सिद्धांत दूसरे पर लागू नहीं होते हैं, विपरीत लिंग के "व्यवहार का विशिष्ट मॉडल", मेरी मां की कहानियों के आधार पर बनाया गया है, अचानक पता चलता है कि यह बिल्कुल सही नहीं है, ठीक है, आदि।

हम हमेशा प्रशिक्षण डाटासेट के संभावित प्रसार को ध्यान में रखते हैं, जिस पर हमने दुनिया के हमारे मॉडल और वास्तविक डेटासेट पर प्रशिक्षण दिया है, जिस पर हम अपना मॉडल लागू करते हैं।

संक्षेप में, हम विसंगति के कारण को समझते हैं और वास्तविक दुनिया से अधिक निकटता के लिए मॉडल को पूर्व-प्रशिक्षण पर ऊर्जा खर्च करने के लिए तैयार हैं।

वस्तुनिष्ठ कार्य और बहु-विद्या-शिक्षा का विकल्प

लगभग किसी भी कार्य को उद्देश्य फ़ंक्शन को बदलकर किसी अन्य डोमेन में स्थानांतरित किया जा सकता है। समस्या प्रतिगमन के रूप में हल नहीं है? कक्षाओं के लिए लक्ष्य को फिर से करें और इसे वर्गीकरण कार्य के रूप में हल करें। बेहतर अभी तक, ग्रिड द्वारा दो सिर बनाते हैं, एक को एक समस्या को हल करने दें, और दूसरे को सुधारित करें। एक ही डेटा सेट पर, दो अलग-अलग मॉडल को प्रशिक्षित किया जा सकता है, पूरी तरह से अलग चीजों पर तेज किया जा सकता है। यह याद रखें, जीवन में सबसे अच्छा विकल्प, बहु-विद्या-शिक्षा है, जब आपका अंतिम उद्देश्य समारोह एक साथ कई डोमेन को कवर करता है । काम पर, उदाहरण के लिए, आप सिर्फ पैसा कमा सकते हैं, आप अभी भी पेशेवर कौशल डाउनलोड कर सकते हैं, फिर भी आप सामाजिक संपर्क कौशल में सुधार कर सकते हैं। जैसा कि पारंपरिक मॉडल के मामले में, यह दृष्टिकोण अंत में, सभी बहु-डोमेन लक्ष्यों को समृद्ध और बेहतर बनाने की अनुमति देता है, जैसे कि हमने उन्हें अलग से डाउनलोड किया है। और समय के बारे में मत भूलो - व्यक्तिगत उद्देश्यों के लिए तीन मॉडल के लिए तीन गुना अधिक समय की आवश्यकता होती है, और वास्तविक जीवन में यह इतना अधिक नहीं है , और दुर्भाग्य से, आप एक दर्जन या दो टीपीयू-शेक के लिए प्रशिक्षण को समानांतर करने में सक्षम नहीं होंगे।

ब्लॉकों में प्रशिक्षण (बैच-अधिगम)

बैचों के साथ मॉडल प्रशिक्षण लंबे समय तक प्रभावी साबित हुआ है। यदि आप उन विशिष्ट क्षेत्रों को ध्यान में नहीं रखते हैं जिनके लिए ऑनलाइन प्रशिक्षण की आवश्यकता होती है, तो पूरे युग से गुजरने के बाद ही वजन को अपडेट करने का कोई मतलब नहीं है। हां, बैचों में प्रशिक्षण उच्च-आवृत्ति वाला शोर पैदा करता है, लेकिन यह उच्च अभिसरण दर से लगभग समान सटीकता के साथ ऑफसेट होता है।

यह हमें क्या देता है? यह समझना कि नए डेटा के आधार पर दुनिया के अपने मॉडल को थोड़ा बदलने से पहले लंबे समय तक इंतजार करने का कोई मतलब नहीं है। पूरे युग की प्रतीक्षा करने की आवश्यकता नहीं है, ठीक है, मुझे नहीं पता, एक नई नौकरी पर एक वर्ष, एक नए व्यक्ति के साथ संबंधों का एक वर्ष, अधिक बार बदलें - आपको अपने अंतिम लक्ष्य के लिए तेजी से आंदोलन मिलेगा , ठीक है, अन्वेषण अधिक अवसर देगा। यह चिल्लाना भी व्यर्थ है कि एक घटना के बाद "सब कुछ खो गया था" , शायद यह सिर्फ एक नाराजगी है, शायद सितारे इस तरह विकसित हुए हैं, बैच के अंत तक प्रतीक्षा करें, त्रुटियों को जमा करें - और फिर मॉडल बदलें।

हाइपर पैरामीटर खोज विधियां (ग्रिड खोज VS यादृच्छिक खोज)

इस विषय पर कई लेख ( उदाहरण ) हैं कि जब सबसे अच्छे हाइपरपामेटर्स की खोज की जाती है, तो एक ग्रिड खोज की तुलना में यादृच्छिक छंटाई बेहतर होती है। तो हमारे मामले में, "यादृच्छिक" कार्रवाई का विकल्प वास्तव में "छद्म यादृच्छिक रूप से" करना बेहतर है, और कुछ पूर्वनिर्धारित ग्रिड के अनुसार कड़ाई से नहीं । सख्त दृष्टिकोण के प्रशंसक और अनुयायी मुझे अब रौंद देंगे, लेकिन गंभीरता से, मौका दुनिया पर राज करता है , और इस तरह की विधि का उपयोग, अजीब तरह से पर्याप्त, और भी अधिक तर्कसंगत हो सकता है।

निश्चित रूप से बेहतर, निश्चित रूप से, बायेसियन अनुकूलन का उपयोग करना है । लेकिन यहां मुझे इस बात की कोई समझ नहीं है कि इसे वास्तविक जीवन में कैसे लागू किया जा सकता है। हाइपर पैरामीटर्स चुनते समय जानकारी को समझने के लिए बायेसियन दृष्टिकोण नहीं, बल्कि बायेसियन अनुकूलन ।

टुकड़ियों (एनसेंबल)

हम सभी पहनावे की शक्ति के बारे में जानते हैं, जिसमें प्रत्येक मॉडल अपने तरीके से डेटा को देखता है, उनमें से कुछ सिग्नल को खींचता है, और प्रथम-स्तरीय मॉडल के शीर्ष पर एक मेटामॉडल का उपयोग करके सबसे अच्छा परिणाम प्राप्त किया जाता है। जीवन में, सब कुछ बिल्कुल समान है, आप दुनिया के अपने मॉडल का निर्माण न केवल अपने अनुभव के आधार पर कर सकते हैं, बल्कि दुनिया के अन्य लोगों के मॉडल से सर्वश्रेष्ठ (या इसके विपरीत, समझ और सबसे खराब को काटकर) को अवशोषित कर सकते हैं। इन मॉडलों को किताबों, फिल्मों में वर्णित किया गया है, और सिर्फ दूसरे लोगों के व्यवहार को देखकर, आप समझ सकते हैं कि उनके पास किस तरह का मॉडल है, सर्वश्रेष्ठ ले लो और खुद का निर्माण करो।

स्मरण करो "कई चीजें हमारे लिए समझ से बाहर हैं, इसलिए नहीं कि हमारी अवधारणाएं कमजोर हैं, बल्कि इसलिए कि ये चीजें हमारी अवधारणाओं के चक्र में शामिल नहीं हैं।" कोज़मा पेत्रोविच ने सीमित मॉडल की समस्या को समझा, यहां तक ​​कि एक वैज्ञानिक अभ्यास तिथि के बिना भी। :)

अलग-अलग लोग, अलग-अलग वातावरण, अलग-अलग डेटा - अलग-अलग मॉडल, यहां तक ​​कि प्रतीत होने वाली स्पष्ट चीजों के लिए भी। यदि आपने बड़ी कंपनियों में काम किया है, तो आप शायद व्यवहार, संचार के नियमों, उत्पीड़न और बहुत कुछ के बारे में इन सभी अंतहीन प्रशिक्षणों को याद करते हैं। क्या नरक, आपने सोचा। लेकिन नहीं, कचरा नहीं। बड़ी अंतरराष्ट्रीय कंपनियों (संस्कृति, मानसिकता और मूल्यों में अंतर के कारण) में, सामान्य बातचीत और काम सुनिश्चित करने के लिए प्रत्येक कर्मचारी के मॉडल में बुनियादी सिद्धांतों की एक परत पेश करना आवश्यक है।

टीएल / डीआर

• इस दुनिया में आपके साथ क्या हो रहा है, केवल आप और आपकी दुनिया के मॉडल को दोष देना है
• अन्य लोगों के विश्व मॉडल को अपने स्वयं के साथ सहसंबंधित करने की आवश्यकता नहीं है
• आपके मेटा-मॉडल अन्य लोगों की दुनिया के मॉडल सबसे अधिक वास्तविकता के अनुरूप नहीं हैं
• बेइज़ियन सिद्धांत के अनुसार परिवर्तन के लिए तैयार, आपके सिर को दुनिया का एक खुला मॉडल बनाना मुश्किल है। जीवन भर इस खुली अवस्था में इसे बनाए रखना और भी कठिन है। एक व्यक्ति बने रहना बहुत मुश्किल है

पर्दे के पीछे क्या रहता है

केंद्रीय सीमा प्रमेय

जैसा कि सीटीसी कहता है, किसी भी प्रकार के कमजोर निर्भर वितरणों से लिए गए यादृच्छिक घटनाओं का योग अपने आप में एक यादृच्छिक चर है और आम तौर पर सीमा में वितरित किया जाता है।

हमारे पूरे जीवन में यादृच्छिक घटनाएं शामिल हैं : एक लिफ्ट या बस के लिए एक स्टॉप पर प्रतीक्षा समय, आप एक कोने से चूक गए या नहीं, आदि। आप दिन को सफल या असफल (एक अन्य यादृच्छिक चर) के रूप में मूल्यांकन कर सकते हैं, यह इस बात पर निर्भर करता है कि अंतिम वितरण में हमें कहां मिला - केंद्र या पूंछ के लिए। पर्याप्त रूप से बड़े नमूने में (उदाहरण के लिए, एक वर्ष) यह देखा जा सकता है कि हमारा यह यादृच्छिक चर सामान्य रूप से वितरित किया गया है, जो " अच्छी तरह से, कम या ज्यादा सब कुछ ठीक है " पर केंद्रित है।

जिस तारीख को वैज्ञानिक उपरोक्त सभी को समझता है और तथाकथित में गिर जाता है, तो वह स्तब्ध नहीं है सब कुछ खराब होने पर एक "ब्लैक लाइन" - और बस नाक के नीचे छोड़ दिया, और कॉफी पी, और कोड को नहीं बचाया आदि। वह समझता है कि आज हमारे पास वितरण की पूंछ है, हमें बस इस दिन को जीवित रहने की आवश्यकता है , और कल, शायद, दुनिया कुछ अलग तरीके से हमारे लिए घटनाओं का नमूना लेगी।

वैसे, घटनाओं के एक नए संदर्भ बिंदु (नमूनों का एक नया सेट) के लिए संक्रमण एक सपना है । एक कैलेंडर दिन नहीं, आधी रात नहीं, लेकिन एक व्यक्तिपरक नया दिन जब आप जागते हैं। हमारे पूर्वजों ने इसे सहज रूप से समझा (हालाँकि वे xgboost और keras के बारे में नहीं जानते थे), यह यहाँ से कहा गया था कि " शाम की सुबह समझदार होती है " और " यदि आप काम करना चाहते हैं, तो बिस्तर पर जाएं, और सब कुछ बीत जाएगा "।

— “ ” ( p-value “”), , - ( , ), .

, “ ”. . [1].

, - , . , , , - )

, “ , ”.

(Exploitation vs Exploration)

, , . , , , — “ — ! ”. , , , , - , , , - .

… . - , . ( ), , , - . , “ , ”. , , . . , - , .

“ ” RL( Reinforcement learning ). , , , , , , . , , , , - , , . RL . , ( ) , , , - .

, , , , exploration , .

, , , , - , . , “ — ” “ — ”.

, “” . , , , “ ”, .

, - (, , ..) “”, , , .

- , , -1. , , , , .., .. . , -2. . , , -2 , , .

“ ”

, , , -1 , .

, “ , ” (). . , , - , , , . , , , , , , , .

TL/DR

• ,
• . ,
• (exploration)
• , . , - , 1

निष्कर्ष

, - , , , , , .

1. . … . — .: , 2013. — 625 .
2. ., ., . : ., : , 2005. — 632 . — [ISBN 966-8324-14-5]
3. . / . . . . . — .: , 2006. — 288 .
4. . , “ : "