Chaos and Correlation

С адаптивными интервалами приходиться дорабатывать систему, т.к. есть столбы без вариабельности значений (для равных интервалов эта ситуация обрабатывалась и ранее)

Я попробую создать систему распознавания на основе Математики. Интересно будет сравнить две системы.

Petrovich писал(а):Я попробую создать систему распознавания на основе Математики. Интересно будет сравнить две системы.

У Вольфрам Математики огромный потенциал, в т.ч. для on-line приложений. Если это удастся сделать, то система Эйдос будет не нужна

Важны не только человеко-машинные интерфейсы, но программные интерфейсы с внешними данными различных типов. В системе Эйдос сейчас есть интерфейсы в внешними данными:
- таблицами;
- текстами;
- изображениями.

Адаптивные интервалы - это не какой-то особо хитрый режим, а давным-давно реализованная технология, которая годами использовалась еще в DOS-версии. Смысл простой: если нужно с использованием минимального количества точек наиболее точно аппроксимировать кривую, у которой различные участки различной кривизны, то ставить точки на равном расстоянии не рационально, а надо ставить их тем чаще, чем больше кривизна. При этом получаются интервалы разного размера с примерно равным числом наблюдений. А при равных интервалах в них получается, вообще говоря, различное число наблюдений. Поэтому при равных интервалах по сравнению с адаптивными хуже передаются высокочастотные компоненты спектра. Это основано на теореме Котельникова об отсчетах.

Я это давно сделал, а сейчас отладил (уже) этот режим для случая, когда в некоторых шкалах нет вариабельности значений.

Одну и туже задачу ВСЕГДА можно решить неограниченным числом способов, многие из которых дают практические одинаковые результаты, в т.ч. и очень хорошие. Но чаще всего эти методы неизвестны, или известен только один, который и считается и единственным возможным. Доказать, что какой-то способ является наилучшим вообще по всем возможным критериям, невозможно в принципе. Иногда это удается сделать для очень упрощенных случаев, мало напоминающих реальность. Тогда за это дают Нобелевские премии.

Удивительно, что распознавание по минимальному числу признаков является менее достоверным, чем по максимальному. А ведь все ищут простую связь типа признак-аспект. Но как раз этой связи нет или она очень слабая. Отсюда делается поспешный вывод, что вообще нет связи между признаками и аспектами. Пример с распознаванием фотографий Эйнштейна показывает, что даже установленные ранее связи еще не гарантируют успеха в распознавании.

Я еще работаю с базой. Очень много всякой ерунды помимо того, что удалось заменить автоматически, приходится просматривать чуть ли не построчно. Хочется сделать хорошо, чтобы можно было потом не просто удалять классы, а переносить их по кластерам. В общем, сколько потребуется времени, столько и буду делать базу.

Труд этот, Ваня, был страшно громаден.

Громаден. Но не страшно. Вот сейчас выкину всяких жен, знаменитые фамилии и т.д. и т.п, и будет все хорошо, легко и просто.

Natalia писал(а):Громаден. Но не страшно. Вот сейчас выкину всяких жен, знаменитые фамилии и т.д. и т.п, и будет все хорошо, легко и просто.

можно не выкидывать. Эйдос рассортирует и удалит сам по заданным критериям.