Προηγμένη Τεχνητή Νοημοσύνη (2022-12-21-19:10:17) / Μέρος 2 / Προγραμματισμένη Μετάδοση μαθήματος

Προηγμένη Τεχνητή Νοημοσύνη (2022-12-21-19:10:17) / Μέρος 2 / Προγραμματισμένη Μετάδοση μαθήματος

Προγραμματισμένη Μετάδοση μαθήματος: τα υπόλοιπα από το δεύτερο και για το δεύτερο άτομο θα επιλέξω τα υπόλοιπα beats από το πρώτο και τα πρώτα από το δεύτερο. Θα μπορούσα να κάνω two point crossover, δηλαδή να κόψω τους δύο γωνίες σε δύο σημεία και να κάνω όχι χειαστή συνδυασμό όπως έκανα εδώ, για...

Πλήρης περιγραφή

Λεπτομέρειες βιβλιογραφικής εγγραφής
Κύριος δημιουργός: Σταματόπουλος Παναγιώτης (Επίκουρος Καθηγητής)
Γλώσσα:el
Φορέας:Εθνικό και Καποδιστριακό Πανεπιστήμιο Αθηνών
Μορφή:Video
Είδος:Ανοικτά μαθήματα
Συλλογή:Πληροφορικής και Tηλεπικοινωνιών / Προηγμένη Τεχνητή Νοημοσύνη
Ημερομηνία έκδοσης: ΕΘΝΙΚΟ ΚΑΙ ΚΑΠΟΔΙΣΤΡΙΑΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ 2022
Θέματα:
Άλλο Επιστημονικό Υπο-Πεδίο
Ανοικτά μαθήματα
Άδεια Χρήσης:Αναφορά-Μη-Εμπορική Χρήση-Παρόμοια Διανομή
Διαθέσιμο Online:https://delos.uoa.gr/opendelos/videolecture/show?rid=ceca37a3
id 30d8e8c0-f31c-4c34-ba7b-ca4d2c6702f0
title Προηγμένη Τεχνητή Νοημοσύνη (2022-12-21-19:10:17) / Μέρος 2 / Προγραμματισμένη Μετάδοση μαθήματος
spellingShingle Προηγμένη Τεχνητή Νοημοσύνη (2022-12-21-19:10:17) / Μέρος 2 / Προγραμματισμένη Μετάδοση μαθήματος
Άλλο Επιστημονικό Υπο-Πεδίο
Σταματόπουλος Παναγιώτης
publisher ΕΘΝΙΚΟ ΚΑΙ ΚΑΠΟΔΙΣΤΡΙΑΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ
url https://delos.uoa.gr/opendelos/videolecture/show?rid=ceca37a3
publishDate 2022
language el
thumbnail http://oava-admin-api.datascouting.com/static/5611/bd34/f172/9e3b/78be/f909/01fe/aa00/5611bd34f1729e3b78bef90901feaa00.jpg
topic Άλλο Επιστημονικό Υπο-Πεδίο
topic_facet Άλλο Επιστημονικό Υπο-Πεδίο
author Σταματόπουλος Παναγιώτης
author_facet Σταματόπουλος Παναγιώτης
hierarchy_parent_title Προηγμένη Τεχνητή Νοημοσύνη
hierarchy_top_title Πληροφορικής και Tηλεπικοινωνιών
format Video
rights_txt CC
rightsExpression_str Αναφορά-Μη-Εμπορική Χρήση-Παρόμοια Διανομή
organizationType_txt Πανεπιστήμια
hasOrganisationLogo_txt https://delos.uoa.gr/opendelos/resources/logos/uoa.png
author_role Επίκουρος Καθηγητής
author2_role Επίκουρος Καθηγητής
relatedlink_txt https://www.aueb.gr/
durationNormalPlayTime_txt 01:00:01.48
genre Ανοικτά μαθήματα
genre_facet Ανοικτά μαθήματα
institution Εθνικό και Καποδιστριακό Πανεπιστήμιο Αθηνών
asr_txt τα υπόλοιπα από το δεύτερο και για το δεύτερο άτομο θα επιλέξω τα υπόλοιπα beats από το πρώτο και τα πρώτα από το δεύτερο. Θα μπορούσα να κάνω two point crossover, δηλαδή να κόψω τους δύο γωνίες σε δύο σημεία και να κάνω όχι χειαστή συνδυασμό όπως έκανα εδώ, για να φτιάξω δύο απογόνους, να κάνω αυτό, δηλαδή το πρώτο κομμάτι του πρώτου γωνέα να συνδυαστεί με το δεύτερο κομμάτι του δεύτερου και με το τρίτο του πρώτου, και το πρώτο κομμάτι του δεύτερου με το δεύτερο του πρώτου και με το τρίτο κομμάτι του δεύτερου. Δηλαδή είναι σαν να είχα κάνει εδώ τα κοψημάτα, τα οποία και αυτά μπορούν να επιλεγούν τυχαία, όχι μπορεί, πρέπει να επιλεγούν τυχαία, γιατί είναι μέσα στο χασικό, στο χασική διαδικασία. Και παίρνω, άμα κοιτάξετε τους γονείς, τους απογόνους, 1-1, 0-0-1-0-1, όντως, 1-0-0-0, δηλαδή ο πρώτος απογόνος έχει φτιαχτεί από αυτό το κομμάτι του πρώτου γωνέα, από αυτό το κομμάτι του δεύτερου γωνέα και από αυτό το κομμάτι του πρώτου γωνέα. Και ο δεύτερος απογόνος έχει φτιαχτεί από τα αρνηστικά τους. Εδώ είναι σαν να έχω πάρει crossover mask, αυτό εδώ. Οπότε, σε γενική περίπτωση, υπάρχει το λεγόμενο uniform crossover, όπου είναι σαν να έχω πολλά σημεία κοπής, που είναι αυτά τα σημεία καθορίζεται από το crossover mask. Αν έχω crossover mask αυτό εδώ, σημαίνει ότι θα πάρω και το πρώτο απόγονο. Πρώτο beat από το πρώτο γωνέα. Τα δύο επόμενα beats από τον δεύτερο γωνέα. Τα επόμενα δύο beats από τον πρώτο γωνέα. Το επόμενο beat από τον κάτω γωνέα. Δηλαδή, το crossover mask με καθοδηγή στο να φτιάξω το πρώτο απόγονο και τα αντίστοιχα κομμάτια θα τα φτιάξω και το δεύτερο απόγονο. Και το mutation, όπως βλέπετε εδώ, αν επιλεγεί αυτό το άτομο για mutation και τυχαία επιλεγεία αυτό το beat για mutation, αυτό το βδελικό θα γεννιάσω. Λοιπόν, τώρα κάποιες άλλες παρατηρήσεις είναι εξής. Αυτό που χρησιμοποιήσαμε πρισσόγενο αργόριθμο το γενικό, ήταν η σχετική ευρωστία για να κάνουμε το bias να περνάνε τα πιο καλά άτομα στην επόμενη γενιά. Αυτό, όπως λέει εδώ, can lead to crowding. Crowding σημαίνει ότι αυτό το bias μπορεί να μας οδηγήσει στο να έχουμε πληθυσμούς οι οποίοι έχουν άτομα με πάρα πολύ μεγάλες ευρωστίες. Αλλά αυτό ξέρετε, η γενική αργοριθμή είναι μια μοτολογία τοπικής αναζήτησης, local search. Και η τοπική αναζήτηση σε χώρους οι οποίοι έχουν πολλά τοπικά βέλτιστα, έχει το κακό ότι μπορεί να παγιδευτεί σε κάποιο τοπικό βέλτιστο. Δηλαδή, μπορεί μέσω αυτής της μεθοδογίας της στοχαστικότητας, δηλαδή πιθανότητα επιλογής ενός ατόμου με βάση την σχετική ευρωστία του, δηλαδή όσο πιο μεγάλη είναι η ευρωστία, τόσο πιο πιθανό είναι η επιλογή ενάντων. Φανταστείτε εδώ να είχα αυτά τα δεκάτομα και να μην ήταν έτσι ομοιόμορφη, για παράδειγμα από στόχο εδώ η σχετικά κατανομή της ευρωστιές, να ήταν τα πέντε άτομα να είχαν ευρωστία δέκα και τα άλλα πέντε άτομα να είχαν ευρωστία ένα. Τα πέντε άτομα να είχαν ευρωστία δέκα και τα άλλα πέντε άτομα να είχαν ευρωστία ένα. Ως το νέο πληθυσμό θα κυριαρχούσαν αυτά με τα δέκα. Δηλαδή, η πιθανότητα να επιλεγούν αυτά θα ήταν συνειδηπτικά πολύ μεγαλύτερη από την άλλη με το ένα. Οπότε, θα είχαμε ουσιαστικά ακυρώσει εντελώς τα λιγότερα καλά άτομα στον τρέχοντα πληθυσμό, το οποίο δεν είναι καταναντινή καλό για να γίνεται η Παλογορήθεια, γιατί μπορεί ένα λιγότερο καλό άτομο που δεν έχει μεγάλη ευρωστία να έχει κάποια μπιτς, τα οποία τη σημειώνουν σε χαρακτηριστικά που είναι καλά, και αν αυτό το άτομο, παρότι συνολικά έχει μικρή ευρωστία, συνδυαστεί με κροσόβερ με κάποιο άλλο άτομο, που έχει κάποια άλλα μπιτς καλά, να φτιάξουν ένα απόγονο, ο οποίος να είναι εξαιρετικός. Άρα λοιπόν, οι ίδια αργόρθμοι δεν πρέπει να πετάνε στα σκουπίδια τα λιγότερα καλά άτομα, πρέπει να δίνουν μεγαλύτερες ευκαιρίες στα πιο καλά και λιγότερες ευκαιρίες στα λιγότερα καλά, αλλά και τα λιγότερα καλά πρέπει να έχουν τρόπο να επιζήσουν. Αν, λοιπόν, χρησιμοποιήσουμε αυτή τη μεθοδολογία, μπορούμε να διηγηθούμε σε crowdin. Crowdin σημαίνει να έχουμε πάρα πολλά άτομα, τα οποία να είναι μεγάλης ευρωστίας, αλλά ουσιαστικά να μην μπορούμε να προχωρήσουμε παραπέρα από αυτό. Φανταστείτε το κατόπι της ευρωστίας να είναι αυτό που ανέφερα πριν στους 14, επειδή εκεί θέλουμε να φτάσουμε, και να έχουμε ένα πληθυσμό, ο οποίος να έχει όλο το άτομα κοντά στο 10 και να μην μπορεί να πάει πάνω από αυτό. Έτσι, να προχωράνε οι πληθυσμοί και να μένουμε κοντά στο 10 συνέχεια. Καλή ευρωσία είναι το 10, αλλά στο 100 θα δεν φτάνουμε. Αυτό τι έχει πάθει αυτός ο αργόνθμος τώρα, έχει παγιδευτεί σε ένα τοπικό μέγιστο. Άρα πρέπει να δώσουμε ευκαιρία και σε λιγότερο καλά άτομα. Να πω ότι υπάρχουν διάφορες παραναγές αυτής της μαθηθολογίας. Η μία είναι το τουρνάμα της Ελέξιον, η επιλογή τουρνουά, η οποία λέει το εξής. Για να μπορέσω, αντί να αποφασίσω από τα άτομα του πληθυσμού, με τη βοήθεια της σχετικής ευρωστίας ποιο θα περάσει στο επόμενο πληθυσμό, να επιλέξεις τυχαία δύο άτομα, ανεξαρτητές του ευρωστίας, από τον αρχικό πληθυσμό, ξεχνάς την ευρωστία, επιλέξεις τυχαία δύο άτομα, και τώρα πρέπει να αυτά τα δύο άτομα θα αντίπαλοι κατά κάποιο τρόπο. Και θα κερδίσει, δηλαδή θα περάσει στο επόμενο πληθυσμό, αυτό το οποίο έχει καλύτερη ευρωστία, με την πιθανότητα όμως που έχει να κάνει με την ευρωστία του. Δεν σημαίνει ότι το άλλο θα χάσει σίγουρα. Αν το ένα έχει ευρωστία 5 και το άλλο έχει ευρωστία 1, αυτό με την ευρωστία 5 θα έχει πέντε φορές πιο μεγάλη πιθανότητα να περάσει από αυτό με το ένα. Αλλά και αυτό με το ένα μπορεί να περάσει. Δηλαδή το μπάιας υπάρχει στη δεύτερη φάση εδώ. Στην επιλογή του λέει έτσι ένα και έτσι δύο, αυτό γίνεται ανεξάρτητα ευρωστίας. Άρα μπορεί εκεί να επιλεγούν με τυχαίο τρόπο δύο κακά άτομα. Από τα δύο κακά άτομα, στο δεύτερη φάση θα περάσει στον πληθυσμό το πιο καλό από τα δύο κακά άτομα, κατά πάσα πιθανότητα. Άρα δίνουμε ευκαιρία και στα κακά άτομα με το τουρνά. Υπάρχει και το rank selection, το rank selection είναι το εξής, κατά τάξη με βάση στην ευρωσία τους. Το καλύτερο, το λιγότερο, το καλό. Δεν μας ενδιαφέρουν οι απόλυτες τιμές ευρωσίας, δεν μας ενδιαφέρουν αν το πρώτο έχει 10, το άλλο έχει 9, το άλλο έχει 8, δεν μας ενδιαφέρουν τιμές, μας ενδιαφέρει η τάξη. Και μετά αποφασίζουμε ποια θα παράσουν τα επόμενα με βάση την τάξη τους. Πάλι στοχαστικά. Αντί αυτά που είναι πιο ψηλά, έχουν πιο μεγάλη πιθανότητα να περάσουν. Αυτά που είναι πιο κάτω, λιγότερη πιθανότητα να περάσουν. Αλλά δεν σημαίνει ότι κάποιο το οποίο είχε ευρωσία 100 σε σχέση με κάποιο το οποίο είχε ευρωσία 1 θα είχε 100 φορές πιο μεγάλη πιθανότητα να περάσει. Αν τα άτομα είναι 10, συνολικά, μπορεί να είχε 10 φορές πιο μεγάλη πιθανότητα να περάσει, όχι 100. Σίγουρα θα είναι καλύτερο, πιθανότητα πιο πιθανότητα να περάσει από το άλλο, αλλά όχι ανάλογα με την ευρωσία. Αυτό και να αποφύγουμε από το Krautig. Εδώ λοιπόν αυτό το σύστημα το οποίο ανέφερα και στην αρχή, περιγράφει μέσα στο ουγλίο. Αυτό που θέλει να κάνει είναι να συναγάγει κανόνες, είναι σαν τους κανόνες που έδωναμε πριν με το play tennis. Έχουμε κάποια χαρακτηριστικά α1 και α2 και έχουμε και μια κλάση. Τώρα, εδώ, και τα χαρακτηριστικά είναι boolean, δηλαδή παρατημένως true or false, και η κλάση είναι boolean. Αυτό όμως είναι του παραδείγματος, δηλαδή η μεθοδογία μπορεί να χρησιμοποιηθεί και για χαρακτηριστικά τα οποία έχουν πολλές τιμές, όχι μόνο δύο, και οι κατηγορίες στην τελική κλάση μας είναι πολύτιμη, δηλαδή δεν είναι μόνο boolean με δύο τιμές. Ο που βλέπετε εδώ χρησιμοποιεί τη μεθοδογία την οποία είδαμε πριν. Για το α1, βλέπετε, υπάρχει ένας κανόνας που λέει if α1 is on true and α2 is on false, then c, η κλάση μας, είναι true. Το α1 is on true παριστάται από αυτό το beach ring, 1-0. Το α2 is on false παριστάται από αυτό το beach ring, 0-1. Δηλαδή, για κάθε χαρακτηριστικό, έχουμε δύο beach. Όταν τα δύο beach, όταν ένα beach είναι άσο, σημαίνει την αντισχυτημή true ή false. Αν είναι και τα δύο άσοι, σημαίνει ότι ο χαρακτηριστικό δεν υφίσταται στον κανόνα. Το 1-1 σημαίνει ότι δεν έχω. Ή θα ήταν το α1 είναι true ή false. Εντάξει, το α1 είναι true ή false θα είναι. Βλέπετε εδώ τώρα, που η κλάση είναι boolean, έχει 1 μήτε εδώ. Κάτι το οποίο δεν έχει κάνει προηγουμένως. Το c είναι 1 εδώ ή είναι 0 εδώ. Εδώ λοιπόν έχει ένα σύνολο από κανόνες. Ή α1 είναι true, α2 είναι false, δεν είναι c είναι true. Και άλλος κανόνας. Ή α2 είναι true, δεν είναι c είναι false. Να βλέπετε εδώ, στο δεύτερο κανόνα, το α1. Το α1 δεν παίζει ρόλο, το α1 έχει 1-1. Το α2 λοιπόν, αν το α2 είναι true, δηλαδή 1-0, το c είναι false. Και το ρώτημα είναι λοιπόν τώρα. Δεδομένον κάποιων παραδειγμάτων εκπαίδευσης, μπορώ εγώ να βρω ένα σύνολο κανόνων, οι οποίοι να είναι συμβατοί με αυτά τα παραδείγματα εκπαίδευσης. Και βλέπετε εδώ πράγματι χρησιμοποιεί σαν fitness. Το τετράγωνο μάλιστα χρησιμοποιεί εδώ. Το τετράγωνο των σωστών παραδειγμάτων εκπαίδευσης. Δεν είναι το παραδειγμάτων εκπαίδευσης που είναι συμβατά με ένα άτομο του πληθυσμού, ένα άτομο του πληθυσμού, ένα σύνολο από κανόνες. Έχω ένα άτομο του πληθυσμού που παρουσιάζει ουσιαστικά αυτούς τους δυο κανόνες. Είναι ένα beat string των 10 beats. Από τα 10 beats εδώ παρουσιάζουν αυτούς τους δυο κανόνες. Ωραία, αυτό είναι μια πιθανή χαϊκόθεσης. Έχω κάποια παραδείγματα εκπαίδευσης. Πόσα από αυτά είναι συμβατά με αυτήν την χαϊκόθεσης. Τόσα είναι το correct. Τόσα είναι η fitness αυτού του ατόμου. Εδώ το ενδιαφέρον είναι ότι σε αυτό το σύνολο στον καμπύλ βάζουν και τη δυνατότητα να έχουμε και μεταβλητού μήκους άτομα. Γιατί ένα άτομο του πληθυσμού παριστάνει να σύνολο από κανόνες. Που ξέρουμε εμείς και ένας κανόνας, ευδομενού ότι τα χαρατηριστικά μας είναι δύο, θέλει πέντε beats. Θέλει δύο beats για το α1, δύο beats για το α2 και ένα beats για την classic. Ωραία. Για δύο κανόνες θέλουμε δέκα beats. Αλλά μπορεί, είχα υπόθεση σωστή, να θέλει τρεις κανόνες. Να θέλει τέσσερις κανόνες. Δεν ξέρω εγώ αν χρειάζομαι πέντε ή δέκα ή δεκαπέντε ή 20 beats. Άρα μπορώ να αφήσω την ευελιξία να έχω και μεταβλητού μήκους άτομα μέσα στον πληθυσμό. Βέβαια άτομα, αυτός είναι ο γονότυπος, ο φαινότυπος τους να υπάρχει. Δηλαδή να μπορούν να βλέπετε εδώ καθαρά τον γονότυπο. Ο γονότυπος είναι το beat string από τον δέκα beats. Ο φαινότυπος είναι η if-then μετάφραση αυτού του beat string. Η if-then μετάφραση αυτού του beat string. Άρα λοιπόν θα θέλαμε ακόμα κι αν έχουμε κάποια άτομα, ας πούμε εδώ βλέπετε δύο άτομα, τα οποία παρασθάνουν δύο κανόνες και μάλιστα μάλιστα είναι ίδιου μήκους άτομα. Θα μπορούσα εγώ να κάνω crossover μεταξύ αυτών δύο ατόμων, αλλά δεν μπορώ να το κάνω όπου θέλω, γιατί άμα το κάνω όπου θέλω το crossover. Δεν είναι σίγουρο ότι οι απόγονοι που θα φτιάξω ως γονότυποι θα έχουν κάποιο φαινότυπο. Οπότε λέει τώρα εδώ, όταν κοιτάξετε, έστω ότι επιφασίζω για το πρώτο άτομο ότι θα κόψω εγώ, θα κόψω εγώ μετά το beat 1, after beat 1 και μετά το beat 8, beat 8 είναι αυτό εδώ, 2, 4, 5, 7, 8. Το πρώτο άτομο θα το κόψω εδώ. Που μπορώ να κόψω το δεύτερο άτομο, ώστε μετά το crossover οι απόγονοι να είναι νόμιμοι, δηλαδή να έχουν φαινότυπο. Μία περίπτωση είναι να το κόψω σε ακριβώς αυτή τη σημεία, δηλαδή να κόψω, ας πούμε, εδώ. Αν κόψω εδώ, θα φτιάξω δύο νέους απόγονος, που ο ένας απόγονος θα είναι το πρώτο κομμάτι του πρώτου γωνέα, το δεύτερο κομμάτι του δεύτερου και το τρίτο κομμάτι του πρώτου γωνέα. Και ο δεύτερος απόγονος θα είναι τα αντίστοιχα κομμάτια των άλλων γωνέων που δεν πήρα πριν. Αυτό είναι η περίπτωση του να κόψω τον δεύτερο απόγονο, σύνθεση ακριβώς στις θέσεις. Είναι το 1-8 πλέον εδώ. Αλλά προσέξτε τώρα, αν το έκοβα, όχι το 1-8, αλλά το έκοβα στο 1-3, εδώ δηλαδή. Πάλι μπορώ να φτιάξω δύο απόγονος που είναι νόμοι. Γιατί? Παίρνω πρώτο κομμάτι από τον πρώτο γωνέα, δεύτερο κομμάτι από τον δεύτερο και τρίτο κομμάτι από τον πρώτο. Και ουσιαστικά έχω μία πεντάδα μπιτς, το 1, 1-1, 0-0, που παριστάνει έναν απλό νύχτα κανόνα, μόνο ένα. Μία πεντάδα, θυμίζω, παριστάνει έναν κανόνα. Και ο δεύτερος απόγονος θα είχε 0-1 μπιτ. Δεύτερο κομμάτι από τον πρώτο γωνέα, 1-2-3-4-5-6-7 μπιτς, 1-7-8 μέχρι στιγμής. Και τρίτο κομμάτι από τον δεύτερο γωνέα, 1-2-3-4-5-6-7 και 8-7-15. Δηλαδή, τρία ύφδε. Δηλαδή, από δύο γονείς που ο καθένας είχε δύο ύφδε κανόνες, φτιάχνω δύο απογόνους, που ο πρώτος έχει έναν ύφδε κανόνα και ο δεύτερος έχει τρεις ύφδε κανόνες, οι οποίοι είναι νόμοι. Αυτό ήταν η περίπτωση του να κάνω το κόψιμμα στο 1-3. Επίσης θα μπορούσα να κάνω και το κόψιμμα στο 6-8, δηλαδή όχι εδώ που το βλέπετε, τον δεύτερο. Κάκωσα είσαι το πάνω, θα ξαναγράψω το πάνω, το μαύρο. Εδώ. Στο 6-8 σημαίνει εδώ και εδώ. Θα μπορούσα να κόψω τον δεύτερο. Άμα τον κόψω εκεί, πάλι θα φτιάξω δύο απογόνους, που ο ένας θα έχει τρεις ύφδε κανόνες, δηλαδή 15 beats, και ο άλλος θα έχει έναν ύφδε κανόνα, δηλαδή 5 beats. Και εδώ δεύτερα, λίγο παρακάτω, δείχνει τι γίνεται στην περίπτωση που επιλέγω για τον δεύτερο, για τον δεύτερο γωνέα, επιλέγω το 1-3, αυτό που θα κάνει πριν. Επιλέγω να το σπάσω εδώ. Για να επιλέξουμε το 1-3, το result είναι για μένα το πρώτο κανόνα, το h3, ο απόγονος είναι 1-1-1-0-0-0, πράγματι, κοιτάξτε. 1, αυτό το 1 εδώ, 1-1, αυτό το 1-1 εδώ, 0-0. 1-1-1-0-0. Και ο δεύτερος απόγονος είναι 0, να το, μετά θα πάω σε όλο αυτό το κομμάτι από το πρωτογωνέα, 0-0-1, 1-1-1-1, 0-0-1-1-1-1 και μετά θα πάω στο τρίτο κομμάτι του δευτερογωνέα, που είναι αυτό εδώ. Και είναι βλέπετε, αυτό ουσιαστικά σημαίνει, αυτός είναι ο κανόνας, το πρώτος κανόνας είναι, if α2 is on true, το α1 δεν υπάρχει, if α2 is on true, then c is on false. Και το δεύτερο σημαίνει, είναι τρεις κανόνες, if α2 is on false, α1 δεν υπάρχει ουσιαστικά, if α1 α2 is on false, then c is on true, άλλος κανόνας. If, δεν υπάρχει καθόλου if, ο δεύτερος κανόνας λέει, σκέτο, c is on false. Θα μου πείτε αυτό μπορεί να είναι if δεν κανόνας, ναι είναι if δεν κανόνας, απλώς αυτός ο κανόνας θα είναι συμβατός μόνο με τα παραδείγματα εκπαίδευσης τα οποία έχουν κλάσει false. Ο τρίτος είναι if α1 is on true και α2 is on false, then c is on false. Έτσι βγαίνει ο φαινότυπος. Αυτό που ήθελα να πω τώρα εδώ, ήτανε στον Κάβιλ δηλαδή, ότι μπορούμε να έχουμε και άτομα στο ένα πληθυσμό μεταλλητού μήκους, δηλαδή όλα τα άτομα να έχουν το ίδιο μήκος, το ίδιο μέγεθος οπλιοράς beats που έχουνε, αλλά πρέπει να φροντίσουμε έτσι ώστε όταν θα κάνουμε τους ιαρετικούς τελευταίες crossover και mutation, τα άτομα τα οποία θα φτιάχνουμε να αντισχύει ο γονότυπος τους σε κάποιο νόμιμο φαινότυπο. Ωραία. Κάποια extension στο API path, κάποιες επεκτάσεις από το Κάβιλ ήτανε να εφαλμώσουν και άλλους γενετικούς τελευταίες εκτός από το crossover και το mutation. Το alternative που ήτανε να κάνουνε generalize, να κονοστρένεται πάνω στο χαρακτηριστικό αι, αλλάζοντας ένα μηδέν σε άσω. Αυτό σημαίνει ότι ουσιαστικά την αντίστοιχη τιμή του αι να την βάλουνε σαν πιθανή τιμή σε αυτές οι οποίες έχει. Αυτό βέβαια έχει νόημα όταν έχουμε χαρακτηριστικά τα οποία δεν είναι πουλιά, είναι πολλές τιμές. Δηλαδή ένα χαρακτηριστικό αναπαρρίσταται από μια πεντάδα, ας πούμε, από beats, επειδή αυτή η πεντάδα αντισχύει σε μια πιθανή τιμή του χαρακτηριστικού, οπότε το να κάνω ένα μηδενικό άσω σε αυτή την πεντάδα, σημαίνει ότι στο αντίστοιχο φαινότυπο, το if, θα λέει if αι, ίσον αυτά που ήτανε, ή αυτό το οποίο έκανα από μηδενάσου. Δηλαδή κάνω ένα generalization, δηλαδή επιτρέπω και άλλη μία τιμή στο χαρακτηριστικό αυτό. Και υπάρχει και ένα δεύτερο στελεστή, το drop condition, το οποίο είναι να κάνω όλα τα μηδενικά άσους, που σημαίνει να κάνω όλα τα μηδενικά άσους, είναι αυτό που μου πει, φέρνει αυτό το χαρακτηριστικό εντελώς. Και κάνω σχετικά αυτές επεκτάσεις, είδανε ότι σ' αυτόν τον καμπύλ είχανε καλύτερες αποδόσεις. Και εδώ έχει κάποια χαρακτηριστικά συγκρινώντας τον καμπύλ με κάποιες μεθόδους εκείνης εποχής, συμβολικές μεθόδους, δηλαδή μεθόδους οι οποίοι δεν είχαν αυτός το χαρακτηριστικό χαρακτηριστικό λαγορίσμου, αυτό το c4.5, c4.5, είναι ουσιαστικά το σύστημα το οποίο είχε φτιάξει αυτός που είσαι για τα δέντρα απόφασης, το κύκλνο, αυτό το σύστημα των δέντρων απόφασης. Το c4.8 είναι το c4.8, ναι, το c4.8. Είχαν γίνει διάφορες επεκτάσεις στη συνέχεια, το πρώτο το οποίο φτιάχτηκε του κύκλου είναι το c4.5. Και λέει ας πούμε ότι τα συμβολικές μέθοδοι μηχανικής μάθησης είχαν επιτυχία σε διάφορες παραδείγματα από 99 έως 96 και το cable είχε μαζεύει τους τελεστές, 92-95, που σημαίνει ότι ήταν αρκετά συγκρίσιμο με τους άλλους μεθόδους. Έτσι, το να δουλεύει κανείς με αυτήν την διαδικασία. Λοιπόν, τελειώθω με το πρώτο μέρος, θα έλεγα, της πρέπει να κάνουμε σήμερα, οπότε θα πρέπει να κάνουμε ένα δεκάλυτο διάλειμμα τώρα. Και θα συνεχίσουμε σήμερα. Καλησπέρα. Σε όλα αυτά τα διαδικασία, το 21ο πρόγραμμα, είναι ένα πρόγραμμα που πρέπει να χρησιμοποιήσουμε τα δεδομένα της λόγω με τον Σκάτσ. Τον Σκάτσ, δηλαδή τι? Είναι αυτό που έξερε ο Μουλύτης, δηλαδή να είναι πίσω στους εμπορικούς. Δεν υπάρχει λόγος. Πρέπει να το κάνουμε το ίδιο, για να τα ξαναβήσουμε τα δεδάκια εργασία. Σας ευχαριστούμε. Σας ευχαριστούμε. Μια παρασκοπή μόνο στις εργασίες της οικογένειας σας, για να είστε πιο... Φυσικά για να είστε πιο... Φυσικά για να είστε πιο... Φυσικά για να είστε πιο... Φυσικά για να είστε πιο... Φυσικά για να είστε πιο... Φυσικά για να είστε πιο... Φυσικά για να είστε πιο... Φυσικά για να είστε πιο... Φυσικά για να είστε πιο... Φυσικά για να είστε πιο... Φυσικά για να είστε πιο... Times up. Rice进 the kitchen. Βλέπεις και θα ήθελα να ξαναπλήξω μία εργασία και να έρθω να έρθω να κάνω ένα καλό εργασία για τέτοιου χρόνου. Να ξέρω και την εργασία μας τη στιγμή. Για αυτό βάλε μια ρε, δηλαδή η υπόθεση μιλάμε για 10 λεπτόν, 15 λεπτόν, το γράψεις, το γράψεις, δηλαδή δεν υπάρχει παραπάνω. Να ξέρω και θα κάνω ένα καλό εργασία για τέτοιου χρόνου. Ναι... Κρύος έξω, πάντα? Ε... ναι. Καλά, γίνεται εδώ, είναι όχι πίσω... Ναι, βλέπετε... Πω πω, κοίτα... Να πεις, δεν θερρέψε με... Λάσκα, ναι... Το μούνιλειε πέσε στο web... Αργή... Αργή... Το ξέρω... Θα ήθελα να πω... Για αυτό υπάρχει η Νεκφόνης και λέει... Πλύν φτάσετε να κάνετε το Re-Ad, αυτό που ζητάει. Παίξτε λίγο με τα μικρό τραύμα, με τα μικρά τραυμακά τραυμακά, να δείτε πώς δουλεύει και μετά αναβάλλετε αυτό που ζητάμε. Καλά, ναι. Παίξτε. Έχω δυσχύει να τα χω ξαναχρησιμοποιήσω όλα αυτά στη τυχιακή μου. Σας χαστήρει και να μην... Τι είναι σε εμώ. Ήταν με ένα βιολογικό data set για το κακίνο του συλλοδοποκίστης, είχα λεπίσει κάποιους μεθόδους και θα χρησιμοποιήσω το wakeup. Οπότε η αλήθεια είναι ότι έχω πάρει πολλές παραμέντρες και τις τρέχω στον υπολογιστή, αλλά και πάρει... Θα έγινε πολύ. Εντάξει, βέβαια, το ξέρω. Θέλω να πω, μπορεί να μην βρούμε το... Δεν ξέρω, μπορεί και να το βρούμε, αλλά μπορεί και να μην βρούμε το βέλτιστο που θα βρούσαμε. Τι είναι το βέλτιστο, το ξέρω, ναι. Ας πούμε το J48, bank at the end, από το default βρίσκει όλο. Έχει 100%? Ναι, έχει 100%. Μαγιά του. Ναι, από το default, ας πούμε. Πρόκειται. Ας πούμε. Είναι σωστή. Είναι σωστή. Σωστή. Εξάρτησε. Είναι σωστή. Είναι σωστή. Είναι δύσκολη. Εγώ, χειρόδρομος, είναι σωστή. Είναι δύσκολη. Έκατα και ένα δυνατό δυνατό. Είναι πάρα πολύ μεγάλος. Είναι πάρα πολύ μεγάλος. Όχι έτσι όμως ό,τι μας πει. Είναι όχι κάτι δεύτερο, είναι αρκετή. Είναι δύσκολη. Είναι σωστή. Είναι δύσκολη. Είναι σωστή. Είναι δύσκολη. Είναι δύσκολη. Είναι σωστή. Είναι δύσκολη. Είναι σωστή. Είναι κάτι σωστή. Είναι καλή. Είναι μεγάλη. Είναι μέσα μου. Έχω το σαράμος. Έχω το σαράμος. Αυτό είναι. Είναι. Παρακαλώ, κύριέ μου. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε.
_version_ 1782816608709771264
description Προγραμματισμένη Μετάδοση μαθήματος: τα υπόλοιπα από το δεύτερο και για το δεύτερο άτομο θα επιλέξω τα υπόλοιπα beats από το πρώτο και τα πρώτα από το δεύτερο. Θα μπορούσα να κάνω two point crossover, δηλαδή να κόψω τους δύο γωνίες σε δύο σημεία και να κάνω όχι χειαστή συνδυασμό όπως έκανα εδώ, για να φτιάξω δύο απογόνους, να κάνω αυτό, δηλαδή το πρώτο κομμάτι του πρώτου γωνέα να συνδυαστεί με το δεύτερο κομμάτι του δεύτερου και με το τρίτο του πρώτου, και το πρώτο κομμάτι του δεύτερου με το δεύτερο του πρώτου και με το τρίτο κομμάτι του δεύτερου. Δηλαδή είναι σαν να είχα κάνει εδώ τα κοψημάτα, τα οποία και αυτά μπορούν να επιλεγούν τυχαία, όχι μπορεί, πρέπει να επιλεγούν τυχαία, γιατί είναι μέσα στο χασικό, στο χασική διαδικασία. Και παίρνω, άμα κοιτάξετε τους γονείς, τους απογόνους, 1-1, 0-0-1-0-1, όντως, 1-0-0-0, δηλαδή ο πρώτος απογόνος έχει φτιαχτεί από αυτό το κομμάτι του πρώτου γωνέα, από αυτό το κομμάτι του δεύτερου γωνέα και από αυτό το κομμάτι του πρώτου γωνέα. Και ο δεύτερος απογόνος έχει φτιαχτεί από τα αρνηστικά τους. Εδώ είναι σαν να έχω πάρει crossover mask, αυτό εδώ. Οπότε, σε γενική περίπτωση, υπάρχει το λεγόμενο uniform crossover, όπου είναι σαν να έχω πολλά σημεία κοπής, που είναι αυτά τα σημεία καθορίζεται από το crossover mask. Αν έχω crossover mask αυτό εδώ, σημαίνει ότι θα πάρω και το πρώτο απόγονο. Πρώτο beat από το πρώτο γωνέα. Τα δύο επόμενα beats από τον δεύτερο γωνέα. Τα επόμενα δύο beats από τον πρώτο γωνέα. Το επόμενο beat από τον κάτω γωνέα. Δηλαδή, το crossover mask με καθοδηγή στο να φτιάξω το πρώτο απόγονο και τα αντίστοιχα κομμάτια θα τα φτιάξω και το δεύτερο απόγονο. Και το mutation, όπως βλέπετε εδώ, αν επιλεγεί αυτό το άτομο για mutation και τυχαία επιλεγεία αυτό το beat για mutation, αυτό το βδελικό θα γεννιάσω. Λοιπόν, τώρα κάποιες άλλες παρατηρήσεις είναι εξής. Αυτό που χρησιμοποιήσαμε πρισσόγενο αργόριθμο το γενικό, ήταν η σχετική ευρωστία για να κάνουμε το bias να περνάνε τα πιο καλά άτομα στην επόμενη γενιά. Αυτό, όπως λέει εδώ, can lead to crowding. Crowding σημαίνει ότι αυτό το bias μπορεί να μας οδηγήσει στο να έχουμε πληθυσμούς οι οποίοι έχουν άτομα με πάρα πολύ μεγάλες ευρωστίες. Αλλά αυτό ξέρετε, η γενική αργοριθμή είναι μια μοτολογία τοπικής αναζήτησης, local search. Και η τοπική αναζήτηση σε χώρους οι οποίοι έχουν πολλά τοπικά βέλτιστα, έχει το κακό ότι μπορεί να παγιδευτεί σε κάποιο τοπικό βέλτιστο. Δηλαδή, μπορεί μέσω αυτής της μεθοδογίας της στοχαστικότητας, δηλαδή πιθανότητα επιλογής ενός ατόμου με βάση την σχετική ευρωστία του, δηλαδή όσο πιο μεγάλη είναι η ευρωστία, τόσο πιο πιθανό είναι η επιλογή ενάντων. Φανταστείτε εδώ να είχα αυτά τα δεκάτομα και να μην ήταν έτσι ομοιόμορφη, για παράδειγμα από στόχο εδώ η σχετικά κατανομή της ευρωστιές, να ήταν τα πέντε άτομα να είχαν ευρωστία δέκα και τα άλλα πέντε άτομα να είχαν ευρωστία ένα. Τα πέντε άτομα να είχαν ευρωστία δέκα και τα άλλα πέντε άτομα να είχαν ευρωστία ένα. Ως το νέο πληθυσμό θα κυριαρχούσαν αυτά με τα δέκα. Δηλαδή, η πιθανότητα να επιλεγούν αυτά θα ήταν συνειδηπτικά πολύ μεγαλύτερη από την άλλη με το ένα. Οπότε, θα είχαμε ουσιαστικά ακυρώσει εντελώς τα λιγότερα καλά άτομα στον τρέχοντα πληθυσμό, το οποίο δεν είναι καταναντινή καλό για να γίνεται η Παλογορήθεια, γιατί μπορεί ένα λιγότερο καλό άτομο που δεν έχει μεγάλη ευρωστία να έχει κάποια μπιτς, τα οποία τη σημειώνουν σε χαρακτηριστικά που είναι καλά, και αν αυτό το άτομο, παρότι συνολικά έχει μικρή ευρωστία, συνδυαστεί με κροσόβερ με κάποιο άλλο άτομο, που έχει κάποια άλλα μπιτς καλά, να φτιάξουν ένα απόγονο, ο οποίος να είναι εξαιρετικός. Άρα λοιπόν, οι ίδια αργόρθμοι δεν πρέπει να πετάνε στα σκουπίδια τα λιγότερα καλά άτομα, πρέπει να δίνουν μεγαλύτερες ευκαιρίες στα πιο καλά και λιγότερες ευκαιρίες στα λιγότερα καλά, αλλά και τα λιγότερα καλά πρέπει να έχουν τρόπο να επιζήσουν. Αν, λοιπόν, χρησιμοποιήσουμε αυτή τη μεθοδολογία, μπορούμε να διηγηθούμε σε crowdin. Crowdin σημαίνει να έχουμε πάρα πολλά άτομα, τα οποία να είναι μεγάλης ευρωστίας, αλλά ουσιαστικά να μην μπορούμε να προχωρήσουμε παραπέρα από αυτό. Φανταστείτε το κατόπι της ευρωστίας να είναι αυτό που ανέφερα πριν στους 14, επειδή εκεί θέλουμε να φτάσουμε, και να έχουμε ένα πληθυσμό, ο οποίος να έχει όλο το άτομα κοντά στο 10 και να μην μπορεί να πάει πάνω από αυτό. Έτσι, να προχωράνε οι πληθυσμοί και να μένουμε κοντά στο 10 συνέχεια. Καλή ευρωσία είναι το 10, αλλά στο 100 θα δεν φτάνουμε. Αυτό τι έχει πάθει αυτός ο αργόνθμος τώρα, έχει παγιδευτεί σε ένα τοπικό μέγιστο. Άρα πρέπει να δώσουμε ευκαιρία και σε λιγότερο καλά άτομα. Να πω ότι υπάρχουν διάφορες παραναγές αυτής της μαθηθολογίας. Η μία είναι το τουρνάμα της Ελέξιον, η επιλογή τουρνουά, η οποία λέει το εξής. Για να μπορέσω, αντί να αποφασίσω από τα άτομα του πληθυσμού, με τη βοήθεια της σχετικής ευρωστίας ποιο θα περάσει στο επόμενο πληθυσμό, να επιλέξεις τυχαία δύο άτομα, ανεξαρτητές του ευρωστίας, από τον αρχικό πληθυσμό, ξεχνάς την ευρωστία, επιλέξεις τυχαία δύο άτομα, και τώρα πρέπει να αυτά τα δύο άτομα θα αντίπαλοι κατά κάποιο τρόπο. Και θα κερδίσει, δηλαδή θα περάσει στο επόμενο πληθυσμό, αυτό το οποίο έχει καλύτερη ευρωστία, με την πιθανότητα όμως που έχει να κάνει με την ευρωστία του. Δεν σημαίνει ότι το άλλο θα χάσει σίγουρα. Αν το ένα έχει ευρωστία 5 και το άλλο έχει ευρωστία 1, αυτό με την ευρωστία 5 θα έχει πέντε φορές πιο μεγάλη πιθανότητα να περάσει από αυτό με το ένα. Αλλά και αυτό με το ένα μπορεί να περάσει. Δηλαδή το μπάιας υπάρχει στη δεύτερη φάση εδώ. Στην επιλογή του λέει έτσι ένα και έτσι δύο, αυτό γίνεται ανεξάρτητα ευρωστίας. Άρα μπορεί εκεί να επιλεγούν με τυχαίο τρόπο δύο κακά άτομα. Από τα δύο κακά άτομα, στο δεύτερη φάση θα περάσει στον πληθυσμό το πιο καλό από τα δύο κακά άτομα, κατά πάσα πιθανότητα. Άρα δίνουμε ευκαιρία και στα κακά άτομα με το τουρνά. Υπάρχει και το rank selection, το rank selection είναι το εξής, κατά τάξη με βάση στην ευρωσία τους. Το καλύτερο, το λιγότερο, το καλό. Δεν μας ενδιαφέρουν οι απόλυτες τιμές ευρωσίας, δεν μας ενδιαφέρουν αν το πρώτο έχει 10, το άλλο έχει 9, το άλλο έχει 8, δεν μας ενδιαφέρουν τιμές, μας ενδιαφέρει η τάξη. Και μετά αποφασίζουμε ποια θα παράσουν τα επόμενα με βάση την τάξη τους. Πάλι στοχαστικά. Αντί αυτά που είναι πιο ψηλά, έχουν πιο μεγάλη πιθανότητα να περάσουν. Αυτά που είναι πιο κάτω, λιγότερη πιθανότητα να περάσουν. Αλλά δεν σημαίνει ότι κάποιο το οποίο είχε ευρωσία 100 σε σχέση με κάποιο το οποίο είχε ευρωσία 1 θα είχε 100 φορές πιο μεγάλη πιθανότητα να περάσει. Αν τα άτομα είναι 10, συνολικά, μπορεί να είχε 10 φορές πιο μεγάλη πιθανότητα να περάσει, όχι 100. Σίγουρα θα είναι καλύτερο, πιθανότητα πιο πιθανότητα να περάσει από το άλλο, αλλά όχι ανάλογα με την ευρωσία. Αυτό και να αποφύγουμε από το Krautig. Εδώ λοιπόν αυτό το σύστημα το οποίο ανέφερα και στην αρχή, περιγράφει μέσα στο ουγλίο. Αυτό που θέλει να κάνει είναι να συναγάγει κανόνες, είναι σαν τους κανόνες που έδωναμε πριν με το play tennis. Έχουμε κάποια χαρακτηριστικά α1 και α2 και έχουμε και μια κλάση. Τώρα, εδώ, και τα χαρακτηριστικά είναι boolean, δηλαδή παρατημένως true or false, και η κλάση είναι boolean. Αυτό όμως είναι του παραδείγματος, δηλαδή η μεθοδογία μπορεί να χρησιμοποιηθεί και για χαρακτηριστικά τα οποία έχουν πολλές τιμές, όχι μόνο δύο, και οι κατηγορίες στην τελική κλάση μας είναι πολύτιμη, δηλαδή δεν είναι μόνο boolean με δύο τιμές. Ο που βλέπετε εδώ χρησιμοποιεί τη μεθοδογία την οποία είδαμε πριν. Για το α1, βλέπετε, υπάρχει ένας κανόνας που λέει if α1 is on true and α2 is on false, then c, η κλάση μας, είναι true. Το α1 is on true παριστάται από αυτό το beach ring, 1-0. Το α2 is on false παριστάται από αυτό το beach ring, 0-1. Δηλαδή, για κάθε χαρακτηριστικό, έχουμε δύο beach. Όταν τα δύο beach, όταν ένα beach είναι άσο, σημαίνει την αντισχυτημή true ή false. Αν είναι και τα δύο άσοι, σημαίνει ότι ο χαρακτηριστικό δεν υφίσταται στον κανόνα. Το 1-1 σημαίνει ότι δεν έχω. Ή θα ήταν το α1 είναι true ή false. Εντάξει, το α1 είναι true ή false θα είναι. Βλέπετε εδώ τώρα, που η κλάση είναι boolean, έχει 1 μήτε εδώ. Κάτι το οποίο δεν έχει κάνει προηγουμένως. Το c είναι 1 εδώ ή είναι 0 εδώ. Εδώ λοιπόν έχει ένα σύνολο από κανόνες. Ή α1 είναι true, α2 είναι false, δεν είναι c είναι true. Και άλλος κανόνας. Ή α2 είναι true, δεν είναι c είναι false. Να βλέπετε εδώ, στο δεύτερο κανόνα, το α1. Το α1 δεν παίζει ρόλο, το α1 έχει 1-1. Το α2 λοιπόν, αν το α2 είναι true, δηλαδή 1-0, το c είναι false. Και το ρώτημα είναι λοιπόν τώρα. Δεδομένον κάποιων παραδειγμάτων εκπαίδευσης, μπορώ εγώ να βρω ένα σύνολο κανόνων, οι οποίοι να είναι συμβατοί με αυτά τα παραδείγματα εκπαίδευσης. Και βλέπετε εδώ πράγματι χρησιμοποιεί σαν fitness. Το τετράγωνο μάλιστα χρησιμοποιεί εδώ. Το τετράγωνο των σωστών παραδειγμάτων εκπαίδευσης. Δεν είναι το παραδειγμάτων εκπαίδευσης που είναι συμβατά με ένα άτομο του πληθυσμού, ένα άτομο του πληθυσμού, ένα σύνολο από κανόνες. Έχω ένα άτομο του πληθυσμού που παρουσιάζει ουσιαστικά αυτούς τους δυο κανόνες. Είναι ένα beat string των 10 beats. Από τα 10 beats εδώ παρουσιάζουν αυτούς τους δυο κανόνες. Ωραία, αυτό είναι μια πιθανή χαϊκόθεσης. Έχω κάποια παραδείγματα εκπαίδευσης. Πόσα από αυτά είναι συμβατά με αυτήν την χαϊκόθεσης. Τόσα είναι το correct. Τόσα είναι η fitness αυτού του ατόμου. Εδώ το ενδιαφέρον είναι ότι σε αυτό το σύνολο στον καμπύλ βάζουν και τη δυνατότητα να έχουμε και μεταβλητού μήκους άτομα. Γιατί ένα άτομο του πληθυσμού παριστάνει να σύνολο από κανόνες. Που ξέρουμε εμείς και ένας κανόνας, ευδομενού ότι τα χαρατηριστικά μας είναι δύο, θέλει πέντε beats. Θέλει δύο beats για το α1, δύο beats για το α2 και ένα beats για την classic. Ωραία. Για δύο κανόνες θέλουμε δέκα beats. Αλλά μπορεί, είχα υπόθεση σωστή, να θέλει τρεις κανόνες. Να θέλει τέσσερις κανόνες. Δεν ξέρω εγώ αν χρειάζομαι πέντε ή δέκα ή δεκαπέντε ή 20 beats. Άρα μπορώ να αφήσω την ευελιξία να έχω και μεταβλητού μήκους άτομα μέσα στον πληθυσμό. Βέβαια άτομα, αυτός είναι ο γονότυπος, ο φαινότυπος τους να υπάρχει. Δηλαδή να μπορούν να βλέπετε εδώ καθαρά τον γονότυπο. Ο γονότυπος είναι το beat string από τον δέκα beats. Ο φαινότυπος είναι η if-then μετάφραση αυτού του beat string. Η if-then μετάφραση αυτού του beat string. Άρα λοιπόν θα θέλαμε ακόμα κι αν έχουμε κάποια άτομα, ας πούμε εδώ βλέπετε δύο άτομα, τα οποία παρασθάνουν δύο κανόνες και μάλιστα μάλιστα είναι ίδιου μήκους άτομα. Θα μπορούσα εγώ να κάνω crossover μεταξύ αυτών δύο ατόμων, αλλά δεν μπορώ να το κάνω όπου θέλω, γιατί άμα το κάνω όπου θέλω το crossover. Δεν είναι σίγουρο ότι οι απόγονοι που θα φτιάξω ως γονότυποι θα έχουν κάποιο φαινότυπο. Οπότε λέει τώρα εδώ, όταν κοιτάξετε, έστω ότι επιφασίζω για το πρώτο άτομο ότι θα κόψω εγώ, θα κόψω εγώ μετά το beat 1, after beat 1 και μετά το beat 8, beat 8 είναι αυτό εδώ, 2, 4, 5, 7, 8. Το πρώτο άτομο θα το κόψω εδώ. Που μπορώ να κόψω το δεύτερο άτομο, ώστε μετά το crossover οι απόγονοι να είναι νόμιμοι, δηλαδή να έχουν φαινότυπο. Μία περίπτωση είναι να το κόψω σε ακριβώς αυτή τη σημεία, δηλαδή να κόψω, ας πούμε, εδώ. Αν κόψω εδώ, θα φτιάξω δύο νέους απόγονος, που ο ένας απόγονος θα είναι το πρώτο κομμάτι του πρώτου γωνέα, το δεύτερο κομμάτι του δεύτερου και το τρίτο κομμάτι του πρώτου γωνέα. Και ο δεύτερος απόγονος θα είναι τα αντίστοιχα κομμάτια των άλλων γωνέων που δεν πήρα πριν. Αυτό είναι η περίπτωση του να κόψω τον δεύτερο απόγονο, σύνθεση ακριβώς στις θέσεις. Είναι το 1-8 πλέον εδώ. Αλλά προσέξτε τώρα, αν το έκοβα, όχι το 1-8, αλλά το έκοβα στο 1-3, εδώ δηλαδή. Πάλι μπορώ να φτιάξω δύο απόγονος που είναι νόμοι. Γιατί? Παίρνω πρώτο κομμάτι από τον πρώτο γωνέα, δεύτερο κομμάτι από τον δεύτερο και τρίτο κομμάτι από τον πρώτο. Και ουσιαστικά έχω μία πεντάδα μπιτς, το 1, 1-1, 0-0, που παριστάνει έναν απλό νύχτα κανόνα, μόνο ένα. Μία πεντάδα, θυμίζω, παριστάνει έναν κανόνα. Και ο δεύτερος απόγονος θα είχε 0-1 μπιτ. Δεύτερο κομμάτι από τον πρώτο γωνέα, 1-2-3-4-5-6-7 μπιτς, 1-7-8 μέχρι στιγμής. Και τρίτο κομμάτι από τον δεύτερο γωνέα, 1-2-3-4-5-6-7 και 8-7-15. Δηλαδή, τρία ύφδε. Δηλαδή, από δύο γονείς που ο καθένας είχε δύο ύφδε κανόνες, φτιάχνω δύο απογόνους, που ο πρώτος έχει έναν ύφδε κανόνα και ο δεύτερος έχει τρεις ύφδε κανόνες, οι οποίοι είναι νόμοι. Αυτό ήταν η περίπτωση του να κάνω το κόψιμμα στο 1-3. Επίσης θα μπορούσα να κάνω και το κόψιμμα στο 6-8, δηλαδή όχι εδώ που το βλέπετε, τον δεύτερο. Κάκωσα είσαι το πάνω, θα ξαναγράψω το πάνω, το μαύρο. Εδώ. Στο 6-8 σημαίνει εδώ και εδώ. Θα μπορούσα να κόψω τον δεύτερο. Άμα τον κόψω εκεί, πάλι θα φτιάξω δύο απογόνους, που ο ένας θα έχει τρεις ύφδε κανόνες, δηλαδή 15 beats, και ο άλλος θα έχει έναν ύφδε κανόνα, δηλαδή 5 beats. Και εδώ δεύτερα, λίγο παρακάτω, δείχνει τι γίνεται στην περίπτωση που επιλέγω για τον δεύτερο, για τον δεύτερο γωνέα, επιλέγω το 1-3, αυτό που θα κάνει πριν. Επιλέγω να το σπάσω εδώ. Για να επιλέξουμε το 1-3, το result είναι για μένα το πρώτο κανόνα, το h3, ο απόγονος είναι 1-1-1-0-0-0, πράγματι, κοιτάξτε. 1, αυτό το 1 εδώ, 1-1, αυτό το 1-1 εδώ, 0-0. 1-1-1-0-0. Και ο δεύτερος απόγονος είναι 0, να το, μετά θα πάω σε όλο αυτό το κομμάτι από το πρωτογωνέα, 0-0-1, 1-1-1-1, 0-0-1-1-1-1 και μετά θα πάω στο τρίτο κομμάτι του δευτερογωνέα, που είναι αυτό εδώ. Και είναι βλέπετε, αυτό ουσιαστικά σημαίνει, αυτός είναι ο κανόνας, το πρώτος κανόνας είναι, if α2 is on true, το α1 δεν υπάρχει, if α2 is on true, then c is on false. Και το δεύτερο σημαίνει, είναι τρεις κανόνες, if α2 is on false, α1 δεν υπάρχει ουσιαστικά, if α1 α2 is on false, then c is on true, άλλος κανόνας. If, δεν υπάρχει καθόλου if, ο δεύτερος κανόνας λέει, σκέτο, c is on false. Θα μου πείτε αυτό μπορεί να είναι if δεν κανόνας, ναι είναι if δεν κανόνας, απλώς αυτός ο κανόνας θα είναι συμβατός μόνο με τα παραδείγματα εκπαίδευσης τα οποία έχουν κλάσει false. Ο τρίτος είναι if α1 is on true και α2 is on false, then c is on false. Έτσι βγαίνει ο φαινότυπος. Αυτό που ήθελα να πω τώρα εδώ, ήτανε στον Κάβιλ δηλαδή, ότι μπορούμε να έχουμε και άτομα στο ένα πληθυσμό μεταλλητού μήκους, δηλαδή όλα τα άτομα να έχουν το ίδιο μήκος, το ίδιο μέγεθος οπλιοράς beats που έχουνε, αλλά πρέπει να φροντίσουμε έτσι ώστε όταν θα κάνουμε τους ιαρετικούς τελευταίες crossover και mutation, τα άτομα τα οποία θα φτιάχνουμε να αντισχύει ο γονότυπος τους σε κάποιο νόμιμο φαινότυπο. Ωραία. Κάποια extension στο API path, κάποιες επεκτάσεις από το Κάβιλ ήτανε να εφαλμώσουν και άλλους γενετικούς τελευταίες εκτός από το crossover και το mutation. Το alternative που ήτανε να κάνουνε generalize, να κονοστρένεται πάνω στο χαρακτηριστικό αι, αλλάζοντας ένα μηδέν σε άσω. Αυτό σημαίνει ότι ουσιαστικά την αντίστοιχη τιμή του αι να την βάλουνε σαν πιθανή τιμή σε αυτές οι οποίες έχει. Αυτό βέβαια έχει νόημα όταν έχουμε χαρακτηριστικά τα οποία δεν είναι πουλιά, είναι πολλές τιμές. Δηλαδή ένα χαρακτηριστικό αναπαρρίσταται από μια πεντάδα, ας πούμε, από beats, επειδή αυτή η πεντάδα αντισχύει σε μια πιθανή τιμή του χαρακτηριστικού, οπότε το να κάνω ένα μηδενικό άσω σε αυτή την πεντάδα, σημαίνει ότι στο αντίστοιχο φαινότυπο, το if, θα λέει if αι, ίσον αυτά που ήτανε, ή αυτό το οποίο έκανα από μηδενάσου. Δηλαδή κάνω ένα generalization, δηλαδή επιτρέπω και άλλη μία τιμή στο χαρακτηριστικό αυτό. Και υπάρχει και ένα δεύτερο στελεστή, το drop condition, το οποίο είναι να κάνω όλα τα μηδενικά άσους, που σημαίνει να κάνω όλα τα μηδενικά άσους, είναι αυτό που μου πει, φέρνει αυτό το χαρακτηριστικό εντελώς. Και κάνω σχετικά αυτές επεκτάσεις, είδανε ότι σ' αυτόν τον καμπύλ είχανε καλύτερες αποδόσεις. Και εδώ έχει κάποια χαρακτηριστικά συγκρινώντας τον καμπύλ με κάποιες μεθόδους εκείνης εποχής, συμβολικές μεθόδους, δηλαδή μεθόδους οι οποίοι δεν είχαν αυτός το χαρακτηριστικό χαρακτηριστικό λαγορίσμου, αυτό το c4.5, c4.5, είναι ουσιαστικά το σύστημα το οποίο είχε φτιάξει αυτός που είσαι για τα δέντρα απόφασης, το κύκλνο, αυτό το σύστημα των δέντρων απόφασης. Το c4.8 είναι το c4.8, ναι, το c4.8. Είχαν γίνει διάφορες επεκτάσεις στη συνέχεια, το πρώτο το οποίο φτιάχτηκε του κύκλου είναι το c4.5. Και λέει ας πούμε ότι τα συμβολικές μέθοδοι μηχανικής μάθησης είχαν επιτυχία σε διάφορες παραδείγματα από 99 έως 96 και το cable είχε μαζεύει τους τελεστές, 92-95, που σημαίνει ότι ήταν αρκετά συγκρίσιμο με τους άλλους μεθόδους. Έτσι, το να δουλεύει κανείς με αυτήν την διαδικασία. Λοιπόν, τελειώθω με το πρώτο μέρος, θα έλεγα, της πρέπει να κάνουμε σήμερα, οπότε θα πρέπει να κάνουμε ένα δεκάλυτο διάλειμμα τώρα. Και θα συνεχίσουμε σήμερα. Καλησπέρα. Σε όλα αυτά τα διαδικασία, το 21ο πρόγραμμα, είναι ένα πρόγραμμα που πρέπει να χρησιμοποιήσουμε τα δεδομένα της λόγω με τον Σκάτσ. Τον Σκάτσ, δηλαδή τι? Είναι αυτό που έξερε ο Μουλύτης, δηλαδή να είναι πίσω στους εμπορικούς. Δεν υπάρχει λόγος. Πρέπει να το κάνουμε το ίδιο, για να τα ξαναβήσουμε τα δεδάκια εργασία. Σας ευχαριστούμε. Σας ευχαριστούμε. Μια παρασκοπή μόνο στις εργασίες της οικογένειας σας, για να είστε πιο... Φυσικά για να είστε πιο... Φυσικά για να είστε πιο... Φυσικά για να είστε πιο... Φυσικά για να είστε πιο... Φυσικά για να είστε πιο... Φυσικά για να είστε πιο... Φυσικά για να είστε πιο... Φυσικά για να είστε πιο... Φυσικά για να είστε πιο... Φυσικά για να είστε πιο... Φυσικά για να είστε πιο... Times up. Rice进 the kitchen. Βλέπεις και θα ήθελα να ξαναπλήξω μία εργασία και να έρθω να έρθω να κάνω ένα καλό εργασία για τέτοιου χρόνου. Να ξέρω και την εργασία μας τη στιγμή. Για αυτό βάλε μια ρε, δηλαδή η υπόθεση μιλάμε για 10 λεπτόν, 15 λεπτόν, το γράψεις, το γράψεις, δηλαδή δεν υπάρχει παραπάνω. Να ξέρω και θα κάνω ένα καλό εργασία για τέτοιου χρόνου. Ναι... Κρύος έξω, πάντα? Ε... ναι. Καλά, γίνεται εδώ, είναι όχι πίσω... Ναι, βλέπετε... Πω πω, κοίτα... Να πεις, δεν θερρέψε με... Λάσκα, ναι... Το μούνιλειε πέσε στο web... Αργή... Αργή... Το ξέρω... Θα ήθελα να πω... Για αυτό υπάρχει η Νεκφόνης και λέει... Πλύν φτάσετε να κάνετε το Re-Ad, αυτό που ζητάει. Παίξτε λίγο με τα μικρό τραύμα, με τα μικρά τραυμακά τραυμακά, να δείτε πώς δουλεύει και μετά αναβάλλετε αυτό που ζητάμε. Καλά, ναι. Παίξτε. Έχω δυσχύει να τα χω ξαναχρησιμοποιήσω όλα αυτά στη τυχιακή μου. Σας χαστήρει και να μην... Τι είναι σε εμώ. Ήταν με ένα βιολογικό data set για το κακίνο του συλλοδοποκίστης, είχα λεπίσει κάποιους μεθόδους και θα χρησιμοποιήσω το wakeup. Οπότε η αλήθεια είναι ότι έχω πάρει πολλές παραμέντρες και τις τρέχω στον υπολογιστή, αλλά και πάρει... Θα έγινε πολύ. Εντάξει, βέβαια, το ξέρω. Θέλω να πω, μπορεί να μην βρούμε το... Δεν ξέρω, μπορεί και να το βρούμε, αλλά μπορεί και να μην βρούμε το βέλτιστο που θα βρούσαμε. Τι είναι το βέλτιστο, το ξέρω, ναι. Ας πούμε το J48, bank at the end, από το default βρίσκει όλο. Έχει 100%? Ναι, έχει 100%. Μαγιά του. Ναι, από το default, ας πούμε. Πρόκειται. Ας πούμε. Είναι σωστή. Είναι σωστή. Σωστή. Εξάρτησε. Είναι σωστή. Είναι σωστή. Είναι δύσκολη. Εγώ, χειρόδρομος, είναι σωστή. Είναι δύσκολη. Έκατα και ένα δυνατό δυνατό. Είναι πάρα πολύ μεγάλος. Είναι πάρα πολύ μεγάλος. Όχι έτσι όμως ό,τι μας πει. Είναι όχι κάτι δεύτερο, είναι αρκετή. Είναι δύσκολη. Είναι σωστή. Είναι δύσκολη. Είναι σωστή. Είναι δύσκολη. Είναι δύσκολη. Είναι σωστή. Είναι δύσκολη. Είναι σωστή. Είναι κάτι σωστή. Είναι καλή. Είναι μεγάλη. Είναι μέσα μου. Έχω το σαράμος. Έχω το σαράμος. Αυτό είναι. Είναι. Παρακαλώ, κύριέ μου. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε. Καλώς ήρθατε.

Παρόμοια τεκμήρια