Запитання з тегом «ne.neural-evol»

Генетичні алгоритми не отримують особливої ​​тяги у світі теорії, але вони є досить добре використаним метагевристичним методом (метагевристичний я маю на увазі техніку, яка загалом застосовується для багатьох проблем, таких як відпал, спуск градієнта тощо). Насправді, GA-подібний метод є досить ефективним для Евклідової TSP на практиці. Деякі метагевристики досить добре …

56 ds.algorithms  ne.neural-evol 

Я опублікував це раніше на MSE, але було запропоновано, що тут, можливо, краще запитати. У теоремі універсального наближення зазначається, що "стандартна багатошарова мережа подачі вперед з одним прихованим шаром, що містить кінцеву кількість прихованих нейронів, є універсальним наближенням між безперервними функціями на компактних підмножинах Rn, при м'яких припущеннях щодо функції …

23 approximation-algorithms  ne.neural-evol  na.numerical-analysis 

Це питання є подальшим запитанням щодо алгоритмів ДНК, заданих Аадітою Мехра . У коментарях до цього, Джо Фіцсіммонс сказав частково: [T] він радіус системи повинен масштабуватися пропорційно масі, щоб уникнути цього. Обчислювальна потужність масштабується не більше лінійно в масі. Таким чином, ваша експоненціальна кількість техніки має експоненціальний радіус. Оскільки ви …

22 cc.complexity-theory  quantum-computing  ne.neural-evol  physics  natural-computing 

Фон А С0АС0AC^0О ( 2л о г( n )Виведення ( д))О(2лог(н)О(г))O(2^{log(n)^{O(d)}})2нo ( 1 )2но(1)2^{n^{o(1)}} [1] Н. Лініяль, Ю. Мансур та Н. Нісан. [1993] "Контури постійної глибини, перетворення Фур'є та навчальність", Journal of ACM 40 (3): 607-620. [2] М. Харитонов. [1993] "Криптографічна жорсткість навчання, що залежить від розподілу", Праці ACM STOC'93, …

15 quantum-computing  lg.learning  machine-learning  open-problem  ne.neural-evol 

Скажімо, у нас є одношарова нейронна мережа прямої подачі з k входами та одним виходом. Він обчислює функцію з , досить легко зрозуміти, що вона має принаймні таку ж обчислювальну потужність, як . Для задоволення ми назвемо набір функцій, обчислених одношаровою нейронною мережею, " ".{ 0 , 1 }н→ { …

13 cc.complexity-theory  circuit-complexity  machine-learning  ne.neural-evol 

Які проблеми в реальному світі вирішено за допомогою генетичного алгоритму? В чому проблема? Який тест на придатність використовується для вирішення цієї проблеми?

13 ds.algorithms  machine-learning  ai.artificial-intel  application-of-theory  ne.neural-evol 

Після новіших і новіших успіхів нейронних мереж в іграх у настільні ігри відчувається, що наступна мета, яку ми поставимо, може стати чимось кориснішим, ніж побиття людей у ​​Starcraft. Точніше, я задумався, чи Чи можуть нейронні мережі навчатись вирішувати класичні алгоритмічні задачі? Тут я маю в виду , що, наприклад, мережа …

9 cc.complexity-theory  ds.algorithms  machine-learning  ne.neural-evol 

Звернення до цього питання ... Я намагаюся навчитися використовувати та створювати нейронні мережі для моїх досліджень, і одна точка мене дещо уникає. Я розумію, що приховані шари є дещо необхідною частиною цього, однак я застряг у двох моментах, які мої посилання не пояснюють моєму задоволенню: Яке саме призначення прихованого шару? …

9 ne.neural-evol