много са готини AI за писане на статии и коментари

Back in the Wild West, slick-talking salesmen roamed from town to town, peddling "Painkiller" – a miracle cure for everything from headaches to broken bones. The secret formula? Mostly alcohol, a splash of opium, and a hefty dose of empty promises. By the time people realized it didn’t work, the seller was already scamming the next town.

Fast forward to today: the snake oil is now called "AI-powered solutions," and the salesmen wear suits instead of cowboy hats. Corporate managers parade the latest tech buzzwords, promising automation, efficiency, and skyrocketing profits. The results? Just like the old days – a lot of hype, minimal effect, and by the time the truth comes out, they’ve already moved on to the next big "innovation."

Аз излъгах, добре пише 4-та, 1-та е много зле в писането на поезия

Много добри видеа има този Сандерсън. Благодаря, че ги сподели! Идеята за литературна тема също ми допада. Нека да отворим една, мисля че ще е полезна на много хора в бъдеще.
Относно въпроса с програмирането, ще опитам да систематизирам разбирането си:


Но кога статистическата обобщаемост се превръща в статистическа иновация? И може ли с едно просто рекомбиниране на патерни да се решат нови задачи, като откриването на нови алгоритми за сортиране с по-ниска изчислителна сложност от съществуващите? И ако не, защо тогава функционира толкова добре в ежедневието? Може би защото повечето от нас, през повечето време, не правим нищо ново... в такъв случай, къде е разликата между мен и модела?

4о е обикновен инструктов модел, докато о1 е "разсъждаващ". Предполага се, че "разсъдъка" му е внедрен след тренирането с някакъв вид reinforcement learning. Има теории, че при този процес, някои способности на модела деградират.

Ако преобразуваме всяка дата в числова стойност, например да я представим като брой на дните от избрана отправна точка, ефективно трансформираме проблема в стандартна задача за прогнозиране на едномерна времева редица. Такъв тип проблем може да бъде решен както с помощта на статистически методи, така и техники от областта на машинното обучение.

Най-простият подход е използването на полиномиална регресия, при която опитваме да напаснете полином към данните. Този подход обикновено е по-подходяща за интерполация, а не за екстраполация, какъвто е наличния проблем. С други думи, въпреки че може да работи добре в рамките на наблюдавания диапазон от данни, често няма да успее да предскаже стойности извън него. Едо един пример където използвам 9 градус на полином, което при всяка вероятност пренапасва (overfit) на данните и няма да генерализира добре за бъдещи предсказания.



По-добра стратегия би било да обучим невронна мрежа, което прави и твоя код. Само дето мрежата е твърде малка за подобна крива. А малко по-голяма се получава следния резултат.



За да се получи нещо смислено трябват някакви допълнителни характеристики, които носят полезна информация. Например, ден от седмицата, месец, сезон, фаза на луната и т.н.. С обогатяване на набора от входни данни, невронната мрежа, а може и някой трансформър, може да улови скрити патерни и сезонни ефекти по-ефективно, което да доведе до по-стабилни и точни предсказания. Така няма да се използва само числовата прогресия на датите, но ще се интегрират някакви други времеви динамики, осигурявайки по-комплексна рамка за прогнозиране на времеви редици.

няма такъв патерн - търсел съм
Визуално се вижда "патерн" няколко дълги периода, един къс под 12 дни


по принцип, преобразуване на дата за почти всяка ОС се свежда до минимум time_t
съдържаща броя секунди от 00:00, 1 януари 1970 г. UTC, съответстваща на POSIX
В началото на скрипта ДипСик прави точно това и разлики от датите

BTW: датите са биохимични реални събития и нямат математическа зависимост

chatGPT даде тоя код
тук го стартирах beginner.ipynb

демек утре и ще видим дали е "познал"

GPT е интересен
от оня код - обясни ... даже разбрах какво прави

Направи по оптимизиран вариант с повече неврака и няколко слоя,
но даде "различна" дата от предишния код


абе тя и идеята е странна ... ще го мисля

Това е само една от многото възможности и изборът на формат ще окаже голямо влияние върху изборът на подхода. Нещо което поне за мен винаги е било контраинтуитивно, докато един колега не ми обърна внимание на анлога с фурие трансформация, където изборът на домейн (времеви/честотен) също оказва голямо значение при избора на подходa.

Проблемът както го описваш е предвиди стойност У (дата: 10.01.2022...) при зададена стойност Х (номер на събитието в редицата: 1,2,3,....

Ако трансформираш У в абсолютно времеразстояние от стартовата дата ще хванеш широк времеви контекст, което позволява да моделираш глобални патерни като например сезонни зависимости и стареене (напр. промяна на съпротивление с годините). Тук архитектури с голям контекстуален обхват, като трансформерите блестят.

Ако трансформираш У в относително времеразстояние от предходното събитие ще хванеш тесен времеви контекст, което позволява да моделираш локални патерни (напр. периодично калибриране на ДРАМ). Тук и прости невронни мрежи, като в решението на ДийпСийк биха свършили работа.

Последното решение което си постнал, няма как да функционира понеже невронната мрежа е твърде проста за да успее успешно да моделира подобен сигнал. Като визуализираш това става очевидно.



Ето ти пример с малко по-сложна мрежа, базирана на LSTM, чиято памет позволява да извлечеш по-сложни местни времеви зависимости. Изглежда значително по-добре.



А това е адаптацията на предишната мрежа, която пуснах, с включване на допълнителни характеристики като ден от седмицата и месец в годината.



И двете дават един и същ резултат - 26.02.2025 Което пак не означава, че това е верният отговор. Може просто да няма сигнал в данните или характеристиките, които ползваме. Затова и всеки един ML инженер ще отдели доста време за да разбере какъв проблем се опитваш да решиш преди да избере правилния подход

дневни, седмични, месечни и лунни фактори не влияят

Втората версия е с два LSTM и последен плътен слой и с повече неврони от предишния сорс
Чата даде една идея ама ли изтече лимита - утре ще тествам - демек ще уча

дам ... идеята за сега отпада
датите са твърде хаотични ( "рандом" ) и нямат математическа зависимост
и вероятно иска допълнителни фактори...

Чата явно си пада по стоножки

Има една функция, която е най-умопомрачителната функция в информатиката, а може би и науката като цяло. Няма да ви кажа коя е тая функция, за да се погавря с вас. Да я наречем f(x).
Засега са сметнати следните точки:
f(1) =1
f(2) =4
f(3) =6
f(4) =13
f(5) = (още не е пресметнато, но над 4000)

Хайде няма да се гавря, функцията е busy beaver и дава максималния брой 1- ци, които могат да са върнат от едно битова Тюринг машина с x на брой състояния преди да халтне и чиято памет е нулирана преди да тръгне.
Еднобитовата Тюринг както показва името чете един бит и в зависимост от бита и стейта може да промени тоя бит и да се премести един бит налява или надясно. С други думи това е най-простият еднобитов процесор изобщо . И той изпълнява програма с х на брой инструкции.
И само при 5 реда код губим възможност да го анализираме... Да не говорим за 10 или 100 стейта.
Чисто математически въпросната функция расте почти вертикално и при 10 и нагоре стейта резултатът вероятно е число с повече цифри, отколкото атоми във вселената.
Всъщност математици твърдят, че каквато и функция с един параметър да измислите, стига да е изчислима функция, тя ще расте по-бавно. Само помислете над това твърдение. Можете да напишете каквото си искате - х на степен фактурел от х на степен фактурел от х.... И така до откат. И резултатът от вашия израз ще е по-малък над определена стойност на х. Просто никоя изчислима функция не може да се мери с бизи бийвъра, която не случайно не е изчислима.

Всъщност бизито е юлистрация на това какво значи изчислимост и неизчислимост. Но не само големите стойности са внушителни. Ясно е, че функция с 100 реда код може да направи безброй неща. Въпросът е че при само 5 реда код увисваме. Не можем да анализираме колко единици могат да се изкарат от 5 реда незациклящ код. Изглежда като супер елементарен въпрос... А всичко, което можем да кажем, че са около 4000.

Това изглежда като че ли няма нищо общо с chatgpt... Но аз очаквам пробив точна в тая насока. Винаги съм бил скептичен към халтинг проблемите. Поне от практическа гледна точка. Видимо успяваме да изчислим неизчислими функции. Макар и само за някои стойности...

deepseek се излъга да смята и се изпоти

при първото задаване на въпроса се опита да смята стойността. до f(5) отговаряше бързо, после на f(6) и f(7) все по бавно и на f(8) заби за няколко минути и се отказа при следващи задавания на същия въпрос вече не се опитва да смята, само казва мноооого големо


след няколко опита пак нещо се бъгна, изписписа няколко страници със степени преди да го спра - Σ(8) ≥ 10^10^10^10^10^10^10^10^10^10^10^10^10^10^10^10^10^10^10^10^10^10^10^10^10^10................

Въй недей! Ще подпалиш някой дейтацентър

Има и шифт функция S, която брои максималния брой стъпки, които машина с х стейта може да направи. Там стойностите са още по-големи. Но не са безкрайност. Така теоретично може да се докажат някои хипотези. Примерно Goldbach хипотезата можела да се провери с 27 стейтна машина. Просто трябва да се брутфорсне до S(27) стъпки. Ако не халтне дотогава, значи никога няма халтне. Дребна подробност е каква е стойността на S(27)....
Въпросът е, че теоретично изглежда като решима задача и нямаме истински безкрайности.

От друга страна има теорема, че за всяка система Т от логически и математически непротиворечашти си правила и твърдения съществува число к и при х>к твърдения от типа:
S(x) = n
не могат да бъдат доказани в Т.
Иначе казано стойностите на тия функции над определен праг не могат да бъдат изведени по логически път.
Но както се казва... опитите в Турция продължават