Неполные наблюдения не беда. Восстанавливаем скрытые переменные для моделирования сложных динамических систем
При работе со сложными динамическими системами вроде роботов и финансового рынка мы сталкиваемся с проблемой: обучать модели приходится на основе неполных наблюдений. В таких случаях нам доступна только часть данных.
Пример: мы хотим по текущим результатам анализов предсказать результаты через пять месяцев. Тогда мы можем:
1) представить здоровье человека в виде скрытого состояния
2) восстановить его
3) распространить динамику здоровья на 5 месяцев вперед при помощи выбранной архитектуры
4) на основе полученных данных предсказать результаты анализов.
В новой статье мы расскажем про пример такой задачи из области робототехники. Из статьи вы также узнаете:
- с чего начать, если вы столкнулись с такой задачей
- 4 метода решения
- и практические советы
Читайте нашу статью по ссылке, чтобы узнать преимущества и недостатки каждого из методов: https://deepschool-pro.notion.site/cc6b0aab07714925adcde6a0637def4f
При работе со сложными динамическими системами вроде роботов и финансового рынка мы сталкиваемся с проблемой: обучать модели приходится на основе неполных наблюдений. В таких случаях нам доступна только часть данных.
Пример: мы хотим по текущим результатам анализов предсказать результаты через пять месяцев. Тогда мы можем:
1) представить здоровье человека в виде скрытого состояния
2) восстановить его
3) распространить динамику здоровья на 5 месяцев вперед при помощи выбранной архитектуры
4) на основе полученных данных предсказать результаты анализов.
В новой статье мы расскажем про пример такой задачи из области робототехники. Из статьи вы также узнаете:
- с чего начать, если вы столкнулись с такой задачей
- 4 метода решения
- и практические советы
Читайте нашу статью по ссылке, чтобы узнать преимущества и недостатки каждого из методов: https://deepschool-pro.notion.site/cc6b0aab07714925adcde6a0637def4f