• zmeygor

Методы классификации, ориентированные на максимизацию точности / Precision

Доброго всем времени суток!

А подскажите, пожалуйста, есть ли какие-то специализированные методы или модификации "общеизвестных" методов машинного обучения, которые бы были ориентированы на максимизацию точности определения одного из классов?

Ну, вот стоит задача классифицировать грибы по набору признаков в бинарную схему "съедобные/несъедобные". Очевидно, что в этой схеме нужно быть очень твёрдо уверенным в том, что гриб, классифицированный системой как съедобный, в самом деле принадлежит классу съедобных, иначе автору никогда больше на придумывать вопросов с такими дурацкими примерами. Понятно, что при ужесточении требований, всё большая часть действительно съедобных грибов, но выглядящих необычно, будет ошибочно классифицирована как "несъедобные", но это терпимо и не так страшно, как наоборот.

Так вот, как построить классификатор, который бы максимизировал долю действительно съедобных грибов среди грибов, определённых как "съедобные"?

Подскажите, пожалуйста, в каком направлении смотреть?
Спасибо.
stanislav
  • stslit

MS Kinect впервые производит вскрытие черепа.


Исследовательская лаборатория Майкрософт в Кембридже, разработала систему, позволяющую визуализировать 3х мерную модель мозга. Kinect Fusion поставляется с ПО для 3х мерного моделирования, которое и дало толчок к созданию такой медицинской инновации. Разработчики представили своё детище на 13м фестивале Microsoft TechFest, где Бэн Глокер продемонстрировал прототип, позволяющий нейрохирургам осматривать пациентов до операции. Посредством этой системы можно увидеть кости, мозг, вены, тромбы и многое другое, в то время, как пациент может поворачивать голову для более детального осмотра.


Будем надеяться, что «человеческий фактор» не перерастёт в фактор «MS Kinect» при подготовке к операции.
stanislav
  • stslit

Идея ИИ мертва? Или снова в школу?

20130906170823-1
Вводная.

Новая междисциплинарный исследовательский центр в Массачусетском технологическом институте(МИТ), создан Национальным Научным Фондом(NSF). Его основная задача, - не более не мене как - разгадка тайн интеллекта.

Collapse )

  • zmeygor

Помогите идентифицировать задачу и найти подходы к решению

Есть генератор, который генерирует два типа событий: предсказывающие события P и целевые события T. Генерация происходит по одному событию за единицу времени циклически следующим образом: сначала генерируется некоторый набор из неизвестного наперед и обычно разного в каждом цикле числа предсказывающих событий Р за которым следует одно целевое событие Т. Затем цикл повторяется - снова "случайный" набор разных событий Р, за которыми следует событие Т.

Типов предсказывающих событий Р максимум два-три десятка. Каждый тип события имеет свой фиксированный набор характеризующих атомарных простых свойств (атрибутов/характеристик) количеством от 1 до 1-2 десятков.

Целевых событий всего два типа Т1 и Т2, которые довольно просты (1 или макс. 2 свойства) и очень похожи (грубо говоря отличаются только знаком).

Задача состоит в том, чтобы зная историю генератора и наблюдая за последовательной генерацией событий, правильно предсказать хотя бы какого типа будет ближайшее целевое событие.

Вопросы:
1. Скажите, пожалуйста, можно ли как-то идентифицировать данную задачу? Наверняка у неё есть аналоги в более простой и понятной формулировке? Я себе уже всю голову сломал, а ничего кроме задачи про intrusion detection system не вырисовывается, но я не уверен что это она... Может быть есть еще аналоги?

2. Какие machine learning подходы стоит попробовать применить для решения задачи?

3. Посоветуйте, пожалуйста, куда бы можно в частно-общительном порядке обратиться за консультацией по этой вопросу?

Спасибо.

Фрактал Герасимова

Фрактал Герасимова

Я обнаружил этот фрактал, когда разглядывал интерференцию волн на поверхности речки. Волна движется к берегу, отражается и накладывается сама на себя. Есть ли порядок в тех узорах, которые создаются волнами? Попробуем найти его. Рассмотрим не всю волну, а только вектор ее движения. "Берега" сделаем гладкими, для простоты эксперимента.

Фрактал Герасимова

Collapse )
BTR

Все, оказывается, еще проще.

Оригинал взят у digitid в Все, оказывается, еще проще.
Все таки, полезно погрузиться в глубокие исследования ума, послушать мудрость великих учителей, отбросить некоторые стереотипы и вернуться к моделированию с более ясным и четким пониманием.

Есть всего три базовых звена в работе универсального механизма сознания.
Это непонимание, неудовлетворенность и различение. Вместе они создают картину мира, и не одну, хватит на все экземпляры интеллекта, сколько бы их ни было.

Каждый момент сознания по сути своей содержит некоторые представления о наблюдаемой ситуации. И каждое такое представление неполно, требует более пристального рассмотрения. Вот это и есть непонимание и неудовлетворенность.

Неполное различение - это непонимание.
Направление различения к подтверждающим или опровергающим признакам - это неудовлетворенность.
Collapse )

Первый Всеукраинский конкурс изобретений «УХ,инвент!»

Уважаемые модераторы!

Пожалуйста, не отклоняйте данный пост. Данный конкурс является реальной возможностью для авторов разработок получить инвестиции под свои проекты и познакомиться с коллегами.

В рамках конкурса проекты рассматриваются большим количеством инвест фондов со всего мира. Более детальная инфа есть на сайте конкурса.

С уважением, Оргкомитет конкурса

Площадка А4прев

ИИ для Шутера - 4

определение мобом точек ожидания контакта с игроком

вариантов решения тут два :0)

предустановленные левел-дизайнером "точки ожидания/патрулирования" куда моб перемещается потеряв контакт с игроком
эти точки для разных типов мобов (с разным оружием) различны. Вычислительная нагрузка равна нулю.
Учитывая сложность второго варианта - подходит в большинстве случаев.

самостоятельный поиск таких точек в случае если карта меняет свои характеристики (разрушения и перемещения крупных объектов)

вот второй вариант и рассмотрим

сначала общие положения:

1) задача нахождения идеального места для засады одиночного воина не решается и по жизни - всегда будет голый тыл... исключения типа засесть в выгребной яме и оттуда тыкать копьем в промежность мы не рассматриваем...
так что одиночка должен будет регулярно менять позицию и зону обзора.

2) для двух мобов действующих в группе задача сводится к "кемперской" комбинации: один с средним/дальним оружием сканирует большую территорию, второй с ближним/малым прикрывает тыл... пассивный контроль территории

3) еще лучше вариант использовавшийся боевиками в чечне - пулемет (огневая поддержка при среднем контакте), снайпер (точечная работа с расстояния), гранатомет (уничтожение бронированных целей/ломаемых укрытий для игрока)... в общем тоже засадная тактика, но они могут перемещаться эффективно прикрывая друг друга.

теперь собственно о самостоятельном выборе мобом (группой мобов) позиции для ожидания контакта

1) прежде всего конечно это должно быть место с максимальной эффективностью оружия (см. ИИ для Шутера - 2)
т.е. на расстоянии эффективной дальности стрельбы (удара) не должно быть препятствий, но и не должно быть слишком открытого пространства, т.к. бот будет уязвим для оружия большей дальности...

2) очевидно что обзор должен быть с ОДНОЙ-ДВУХ, хуже если ТРЕХ сторон (угол обзора 90-180°°, хуже 270°), тогда как спину должно прикрывать (не) разрушаемое укрытие.

3) для группы мобов важное условие - видеть/слышать места расположения друг друга, что бы оказать помощь

------------------

как это реализовать програмно с минимальными вычислительными затратами?
самый простой и эффективный вариант - добавить в редакторе карт еще один байт отвечающий за эффективность засады в данной клетке/хексе, что в сочетании с параметром "Эфективность оружия" даст может не идеальное но добротное решение. Т.е. мы все равно отдаем это на откуп левел-дизайнеру, однако сильно увеличиваем количество таких мест и предоставляем мобам возможность их выбирать

итого:
- выбрать зону подходящую по эффективности оружия
- в зависимости от характера и здоровья моба (см первый пост "ИИ для шутера") выбирается позиция с некоторым углом обзора: самоуверенный и здоровый "потянет" 270°, тогда как раненный сократит свою зону ответственности до 90° и менее - уйдет в камперство... туда моб и пойдет


ну и вариант что каждый моб будет сам определять такие зоны обзора в пределах зоны эффективности его оружия...
но при десятке мобов машина повесится...

ии в шутерах - 3

теперь сложный анализ ситуации с эффективностью оружия

когда моб знает не только ваше место но и ваш ствол

сделано в общем из любви к искусству так как ствол игрок может легко поменять
и смысловые оттенки не велики

но полезно еще раз продемонстрировать метод анализа ситуации

Collapse )

игровой ИИ (шутеры) - 2

теперь разовьем классическую модель данную в предыдущем посте (ИИ для шутера)

очевидно что необходимо учитывать разные факторы кроме количества жизни при оценке шанса на победу

собственно предыдущая модель - это сильно редуцированная версия предполагающая по умолчанию что к примеру "оружие" и "позиция" для участников контакта одинаковые
Collapse )