Роботы, автоматы, роверы, манипуляторы, аватары, теледроид, теслабот, нейролинк

Автор Inti, 03.10.2021 04:03:58

« предыдущая - следующая »

0 Пользователей и 1 гость просматривают эту тему.

Дмитрий В.

Lingua latina non penis canina
StarShip - аналоговнет!



Inti

Ну вот, этот аватар уже и к Луне примазывается. Как бы он не опередил нашего родного Теледроида, сына Фёдора...
https://www.youtube.com/watch?v=chIFBTHyEaE


Цитата: Inti от 12.01.2022 09:24:35Ну вот, этот аватар уже и к Луне примазывается. Как бы он не опередил нашего родного Теледроида, сына Фёдора...

Да теледроида кто угодно опередит, просто потому что его не будет.



Нашёл тут книгу с понятным объяснением, что это за зверь такой, ваши нейросети.

Inti

Цитата: Верный Союзник с Окинавы от 12.01.2022 17:39:48Нашёл тут книгу с понятным объяснением, что это за зверь такой, ваши нейросети.
Интересная книга конечно - вот тут можно скачать на английском и на русском - https://vk.com/wall-101965347_96660 - но там 300+ страниц. Ежели можешь дать цитату с  "понятным объяснением" то было бы любопытно. Я полистал и понял только то что в это надо вникать до хрена и больше ежели начинать с нуля.

Inti

Цитата: Верный Союзник с Окинавы от 12.01.2022 10:19:57
Цитата: Inti от 12.01.2022 09:24:35Ну вот, этот аватар уже и к Луне примазывается. Как бы он не опередил нашего родного Теледроида, сына Фёдора...

Да теледроида кто угодно опередит, просто потому что его не будет.
МОСКВА, 11 янв - РИА Новости. Антропоморфный робот-аватар проекта "Теледроид", предназначенный для открытого космоса, будет изготовлен в конце 2022 года, заявил в интервью РИА Новости исполнительный директор предприятия-разработчика данного проекта - НПО "Андроидная техника" - Евгений Дудоров.
"Мы сделали задающее устройство копирующего типа и манипулятор "Теледроида". В феврале мы будем испытывать эти компоненты, а сам робот, который уже полностью разработан, появится в "железе" к концу 2022 года. Далее ему предстоит ряд наземных испытаний в условиях, приближенных к космическим, но без учёта факторов космического полёта", - сказал Дудоров.
Собеседник агентства не исключил, что при соответствующем решении головных заказчиков проекта - РКК "Энергия", ЦНИИмаша и "Роскосмоса" - "Теледроид" будет представлен широкой общественности.
При этом Дудоров отметил, что "Теледроид" - это название не самого робота, а проекта. Когда он будет готов, то, возможно, получит название FEDOR-2 в честь своего предшественника "Федора".



Цитата: Inti от 12.01.2022 20:14:24
Цитата: Верный Союзник с Окинавы от 12.01.2022 17:39:48Нашёл тут книгу с понятным объяснением, что это за зверь такой, ваши нейросети.
Интересная книга конечно - вот тут можно скачать на английском и на русском - https://vk.com/wall-101965347_96660 - но там 300+ страниц. Ежели можешь дать цитату с  "понятным объяснением" то было бы любопытно. Я полистал и понял только то что в это надо вникать до хрена и больше ежели начинать с нуля.

Короче, нейросети анализируют базы данных, взаимосвязи их элементов и на основе этих данных прогнозируют результаты.

База данных реализована в NumPy с помощью массивов.

В простейшем случае у нас двумерный массив выглядит как таблица, где каждая строка - это отдельный образец (сочетание всех признаков в одном объекте), а каждый столбик - это отдельный признак, но для разных объектов.

[[признак1, признак2] - первый объект с его уникальной парой значений признаков.
 [признак1, признак2] - второй уникальный объект 
 [признак1, признак2] - и т.д..
 [...]
 [...]
 [...]].

Сами нейросети в общем случае решают одну из двух задач: классификация и регрессия. Первая задача раскидывает объекты по жёстко определённым классам, и не даёт нечётких и промежуточных вариантов, а вторая предсказывает некое приблизительное количественное значение признака (например высоту объекта в метрах, зарплаты рабочим и т.п., где ответы не такие чёткие и речь идёт о приемлемых погрешностях)

В простейшем алгоритме - методе К ближайших соседей для задачи классификации - порция данных для анализа сравнивается с ближайшим по характеристикам образцом, и получает значение этого самого ближайшего образца. К - это число ближайших по характеристикам образцов, с которыми мы сравниваем объект.



Вот тут это видно. На координатной плоскости есть две координатные оси - на одной значения первого признака, на другой - значение второго признака. Соответственно каждая точка соответствует отдельному объекту, с его уникальным соотношением признаков.

Каждая точка на плоскости имеет разный вид - синий круг или зелёный треугольник. Это соответствует разным классам объектов.

Звёздочками показаны анализируемые объекты. 

Соответственно ближайший объект тут соединён с анализируемым линией.

Можно для анализа брать и несколько ближайших соседей, вот так:



Впринципе, на рисунке видно, что важнее всего признак, отложенный на оси у важнее - все точки наверху (все объекты с большим количественным значением этого признака) - зелёные, а все точки с маленьким значением этого признака снизу и синие. Признак, указанный на оси х уже не так важен, и не так часто используется.

Чем больше соседей участвует в алгоритме, тем более плавная там граница раздела:



Вообще, подобным способом работают и более сложные алгоритмы - они строят на это плоскости некий график, и всё что выше/ниже этого графика относят к тому или иному классу.

Метод ближайших соседей может быть применён и для регрессии:



Здесь зелёным отмечены точки с некоторым значением свойства Feature. Нужно определить значение параметра Target для этих точек. Это делается путём сравнения нашей точки с точкой из базы данных, с наиболее близким значением Feature. 

Аналогично можно делать для нескольких соседей:



Так и работает простейший алгоритм для нейросетей.

Более сложные алгоритмы могут слабо меняющиеся признаки отсекать, приравнивая их изменения к нулю и т.п.. Подробнее они расписаны во второй главе, и в их основе сложные формулы теорвера и т.п. высшей математики. В книге эти детали были опущены. См вторую главу.

Можно делать синтетические признаки для объектов. Например, есть база данных объектов, где для каждого объекта даны высота, ширина и длина. Тогда можно создать синтетические признаки, такие как соотношение длины к ширине, ширины к высоте и длины к высоте. И, например, если соотношение ширины к длине почти для всех объектов равны, можно анализировать только высоту и ширину, или только высоту и длину.

Ещё стоит отметить у нейросетей такой фактор как переобучение и недообучение. 

Недообучение - это когда нейросеть имеет слишком мало данных, и имеет недостаточно опыта для предсказаний. Из-за малых размеров данных выборка в них ни к чёрту, и распо

Переобучение - это когда нейросеть слишком сильно обучена на тренировочном наборе данных. Её алгоритмы настолько оптимизированы под конкретный попавшийся ей набор данных, что они теряют эффективность на сколь-либо отличающихся наборах данных.

Inti

Цитата: Верный Союзник с Окинавы от 13.01.2022 14:19:25Короче, нейросети анализируют базы данных, взаимосвязи их элементов и на основе этих данных прогнозируют результаты.
Спасибочки, ты похоже реально ухватил суть, у тебя явно преподавательский талант. Как я и предполагал, вся эта математика не имеет абсолютно ничего общего с моделированием реального мозга 8)  Хотя главное конечно результат... и в каких-то областях он может быть достигнут.


Цитата: Inti от 14.01.2022 01:21:30Как я и предполагал, вся эта математика не имеет абсолютно ничего общего с моделированием реального мозга 8)

Я описал только самый простой вариант, которого, впрочем, может на много хватить.

Но там реально дофига подводных камней, нюансов и тому подобного. Пока не возьмёшься кодить, их не заметишь.

И это ещё без перехода на более сложные алгоритмы...

Типа тех, где одна нейронка тренирует другую и т.п..

Кстати, я пока успел написать простейшую нейросеть, правда в голом Питоне, в стандартном редакторе и без дополнительных библиотек (кроме встроенной math для нахождения модуля числа и квадратного корня).

Программа просит пользователя ввести координаты некоторой точки, а потом выдаёт название ближайшей точки из базы данных.


Мимика конечно потрясающая. Но как начинает улыбаться, так вид совершенно дебильный...   ;D
КАКТОТАК
----------------------------
Моделью ракеты можно достичь модели Марса


Цитата: Александр Геннадьевич Шлядинский от 17.01.2022 13:28:47Мимика конечно потрясающая. Но как начинает улыбаться, так вид совершенно дебильный...  ;D

Угу, что и люди подмечают.

Вообще на англоютубе комменты к видосам о роботах обычно полны иронии и юмора, а там просто восхищение и "какая же всратая улыбка".

Ближайшие соседи 
Подходит для небольших наборов данных, хорош в качестве базовой модели, прост в объяснении. 

Линейные модели 
Считается первым алгоритмом, который нужно попробовать, хорош для очень больших наборов данных, подходит для данных с очень высокой размерностью. 

Наивный байесовский классификатор 
Подходит только для классификации. Работает даже быстрее, чем линейные модели, хорош для очень больших наборов данных и высокоразмерных данных. Часто менее точен, чем линейные модели. 

Деревья решений
Очень быстрый метод, не нужно масштабировать данные, результаты можно визуализировать и легко объяснить. 

Случайные леса 
Почти всегда работают лучше, чем одно дерево решений, очень устойчивый и мощный метод. Не нужно масштабировать данные. Плохо работает с данными очень высокой размерности и разреженными данными. 

Градиентный бустинг деревьев решений 
Как правило, немного более точен, чем случайный лес. В отличие от случайного леса медленнее обучается, но быстрее предсказывает и требует меньше памяти. По сравнению со случайным лесом требует настройки большего числа параметров. 

Машины опорных векторов 
Мощный метод для работы с наборами данных среднего размера и признаками, измеренными в едином масштабе. Требует масштабирования данных, чувствителен к изменению параметров.

Нейронные сети
Можно построить очень сложные модели, особенно для больших наборов данных. Чувствительны к масштабированию данных и выбору параметров. Большим моделям требуется много времени для обучения.