paleoforum.ru

Цитата: Шаройко Лилия от ноября 25, 2023, 21:12:31Вот кстати пересказ нейросетей Яндекса голосового текста видео

Цитировать• Видео представляет анимационный фильм о внутренней жизни клетки, где эритроциты и лейкоциты движутся по сосудам.

Прошу простить за вмешательство, но, по-моему, обсуждаемая статья на фоне "видео" будет выражена одним: согласованная реакция комплекса на частное (случайное) нарушение.
  Мутация, как случайное нарушение, исправляется теми действиями в цитоплазме, которые минимизируют отклонения от нормы. При этом норма в переводе на Ньтонианство - инерция. Инерция совокупных процессов в цитоплазме такова, что хаотические (по вводимому определению) нарушения не могут изменить общую тенденцию-инерцию. И уж тем более не могут служить в качестве вектора, определяющего даже не филогенез, а эмбриогенез.

Цитата: Шаройко Лилия от ноября 25, 2023, 21:12:31Правильно ли я понимаю, что генетическими алгоритмами в практике обучения нейросетей является код, в котором каждый последующий шаг выполнения программы переписывает код предыдущего шага. Или речь идет о выборе из множества уже существующих программ?

То есть это попытка имитации эволюционных механизмов, где код представляется разработчикам программы аналогом генома?

Я понимаю текст так, что новыми популяциями в нем называются группы участков кода, которые связаны между собой как особи в биологической популяции или как их геномы, которые при скрещивании(работе программы) дают новые сочетания участков кода как скрещивание родительских геномов дает новый геном их потомков.

В настоящих биологических объектах, если я правильно понимаю физически новый участок генома в следующем поколении при мутации именно замещается и программа переписывается.

Не следует смешивать генетические алгоритмы и обучение нейросетей.
В нейросетях сам процесс обучения основан на градиентном спуске. Частичная рандомизация в процессе обучения там используется как приём, заставляющий сеть отдавать приоритет общим атрибутам обучающих выборок, игнорируя их индивидуальные особенности. То есть, сеть учится по образцам, она не создаёт новое, а учится опознавать то характерное, что уже есть, что объединяет предоставленные для обучения образцы.

В генетических же алгоритмах рандомизация - потенциальный источник новых решений.

Программный код в эволюционных алгоритмах рассматривается как аналог генома. Результат его выполнения - как аналог фенотипа. Конкретный набор операторов кода - это моделируемая генетическим алгоритмом программа. Популяция - набор таких программ, в чём-то отличающихся в общем случае. Эволюция заключается в том, что программы популяции мутируют, отбираются, и популяция постепенно трансформируется за счет этого, осуществляя параллельный поиск возможных решений задач.

Но возможность реализации аналога градиентного спуска и для генетических алгоритмов оказывается условием их эффективности. Когда возможно поэтапное, последовательное приближение к оптимальному результату. По факту, когда это эффективно работает,  то подбираются параметры систем с сохранением их структурных инвариантов.  Но программный код в целом - это преимущественно структурообразующие элементы. И для него градиентного приближения к решению задачи в общем случае не существует.  Демонстрация обратного - искусственно сконструированные  примеры, которые не масштабируются до имеющих прикладное значение методов синтеза систем.

Цитата: василий андреевич от ноября 26, 2023, 08:53:55Прошу простить за вмешательство, но, по-моему, обсуждаемая статья на фоне "видео" будет выражена одним: согласованная реакция комплекса на частное (случайное) нарушение.
  Мутация, как случайное нарушение, исправляется теми действиями в цитоплазме, которые минимизируют отклонения от нормы. При этом норма в переводе на Ньтонианство - инерция. Инерция совокупных процессов в цитоплазме такова, что хаотические (по вводимому определению) нарушения не могут изменить общую тенденцию-инерцию. И уж тем более не могут служить в качестве вектора, определяющего даже не филогенез, а эмбриогенез.

Могу согласиться Василий Андреевич, что на видео реакция на нарушение типичного течения процессов клетки. Но в клетке реакции на изменения происходят постоянно, ситуация в теле непрерывно меняется, приходит пища, возникает движение, даже во сне продолжаются реакции усвоения пищи и у кого есть мозг, то там бурно развивается усвоение информации, сон напоминает дефрагментацию диска в компьютерах, оптимизируются связи нейронов... И еще море всего происходит, все это непрерывно выводит систему многоклеточного организма из равновесия. Экспрессия генов происходит к клетке постоянно как я думаю, цифр не могу найти, вероятно для разных процессов они слишком отличаются и нет смысла вычислять такую среднюю температуру по больнице

https://ru.wikipedia.org/wiki/Экспрессия_генов

ЦитироватьЭкспрессия генов — процесс, в ходе которого наследственная информация от гена (последовательности нуклеотидов ДНК) преобразуется в функциональный продукт — РНК или белок. Некоторые этапы экспрессии генов могут регулироваться: это транскрипция, трансляция, сплайсинг РНК и стадия посттрансляционных модификаций белков. Процесс активации экспрессии генов короткими двухцепочечными РНК называется активацией РНК.

Регуляция экспрессии генов позволяет клеткам контролировать собственную структуру и функцию и является основой дифференцировки клеток, морфогенеза и адаптации. Экспрессия генов является субстратом для эволюционных изменений, так как контроль над временем, местом и количественными характеристиками экспрессии одного гена может иметь влияние на функции других генов в целом организме.

Я не уверена, но думаю, что в фильме на этапе

Цитата: Шаройко Лилия точнее нейросети в ее посте от ноября 25, 2023, 21:12:3100:04:14 Синтез белка
• Синтез белка происходит в ядре клетки, где матричные РНК соединяются с белками и образуют новые полипептидные цепочки.

происходит

ЦитироватьТрансля́ция (от лат. translatio — «перенос, перемещение») — осуществляемый рибосомой процесс синтеза белка из аминокислот на матрице информационной (матричной) РНК (иРНК, мРНК), происходящий на клеточном уровне; реализация генетической информации.

https://ru.wikipedia.org/wiki/Трансляция_(биология)
Тут не хватает Питера чтобы он настучал по башке если это не так.

Согласна, что норму можно назвать инерцией движения в эволюции а мутацию нарушением нормы.

Но я ситуацию с нарушениями вижу так, что "хаотические (по вводимому определению) нарушения могут изменить общую тенденцию-инерцию".

Тут вопрос что считать хаосом но я пока не хочу слишком сильно уходить от генетических алгоритмов. И без этого запутаемся, в смысле я

Цитата: Игорь Антонов от ноября 26, 2023, 10:56:39Не следует смешивать генетические алгоритмы и обучение нейросетей.
В нейросетях сам процесс обучения основан на градиентном спуске. Частичная рандомизация в процессе обучения там используется как приём, заставляющий сеть отдавать приоритет общим атрибутам обучающих выборок, игнорируя их индивидуальные особенности. То есть, сеть учится по образцам, она не создаёт новое, а учится опознавать то характерное, что уже есть, что объединяет предоставленные для обучения образцы.

В генетических же алгоритмах рандомизация - потенциальный источник новых решений.

Хорошо не буду смешивать, я только вчера вообще обнаружила статью википедии по генетическим алгоритмам(я не думала что она уже есть и не искала)
https://ru.wikipedia.org/wiki/Генетический_алгоритм

 Но уже после того как написала текст, решила не пытаться писать дополнения и у меня бы все равно так коротко и ясно не получилось вчера.

Тут главный вопрос я думаю что такое уровень новизны

Думаю, для наглядности оптимально будет привести какой то конкретный пример. Как обучается нейросеть и как работает генетический алгоритм.

Муж мне предложил когда мы все это обсуждали сегодня пару часов назад примерно такой ход мысли - есть произвольный числовой ряд состоящий из натуральных целых чисел и алгоритм выбирает из него наибольшее число и прибавляет к нему допустим 20%.  Ко всем, кроме самого большого. Таким образом в определенный момент времени на первую ступеньку выходят все новые разные числа.

И есть в коде после каждого шага сравнение этого ряда с другим числом, оно одно и находится первоначально приблизительно в середине этого числового ряда и оно не изменяется. При повторении процесса прибавления 20% ко всем числам есть движение сравниваемого числа в позиции, оно поедет вниз.

Чему в принципе может в таком примере нейросеть и чему может обучиться в другом примере генетический алгоритм если задавать рандомизацию(случайную выборку)?

Нейросеть может прогнозировать при каждом шаге прибавления 20% в какой момент времени сравниваемое число уедет в самый конец ряда. То есть сколько шагов повторения выполнения кода остается до этого.

Может это пример неудачный и даже самый простой пример обучения происходит по другому
https://ru.m.wikipedia.org/wiki/Нейронная_сеть

Цитировать...ИНС представляет собой систему соединённых и взаимодействующих между собой простых процессоров (искусственных нейронов). Такие процессоры обычно довольно просты (особенно в сравнении с процессорами, используемыми в персональных компьютерах). Каждый процессор подобной сети имеет дело только с сигналами, которые он периодически получает, и сигналами, которые он периодически посылает другим процессорам. И, тем не менее, будучи соединёнными в достаточно большую сеть с управляемым взаимодействием, такие по отдельности простые процессоры вместе способны выполнять довольно сложные задачи...

...С точки зрения математики, обучение нейронных сетей — это многопараметрическая задача нелинейной оптимизации;

https://ru.m.wikipedia.org/wiki/Нелинейное_программирование

ЦитироватьЗадача нелинейного программирования ставится как задача нахождения оптимума определённой целевой функции

В отличие от задачи линейного программирования, в задаче программирования нелинейного оптимум не обязательно лежит на границе области, определённой ограничениями.

Одним из методов, которые позволяют свести задачу нелинейного программирования к решению системы уравнений, является метод неопределенных множителей Лагранжа.

Если целевая функция
�
F является линейной, а ограниченным пространством является политоп, то задача является задачей линейного программирования, которая может быть решена с помощью хорошо известных решений линейного программирования.

Если целевая функция является вогнутой (задача максимизации) или выпуклой (задача минимизации) и множеством ограничений служит выпуклая, то задачу называют выпуклой, и в большинстве случаев могут быть использованы общие методы выпуклой оптимизации.

Если целевая функция является отношением вогнутых и выпуклых функций (при максимизации) и ограничения выпуклые, то задача может быть преобразована в задачу выпуклой оптимизации использованием техник дробного программирования.

Существуют несколько методов для решения невыпуклых задач. Один подход заключается в использовании специальных формулировок задач линейного программирования. Другой метод предусматривает использование методов ветвей и границ, где задача делится на подклассы, чтобы быть решенной с выпуклыми (задача минимизации) или линейными аппроксимациями, которые образуют нижнюю границу общей стоимости в пределах раздела.

Муж этого не смотрел, он как то до моего вопроса вообще нейросетями не особенно интересовался, думаю если удастся его заинтересовать то он мне поможет, в математических абстракциях он на несколько порядков лучше ориентируется, но в основном в последнее время имел дело со статистикой звезд и динамикой их движения.

Думаю в этот гипотетический простой числовой ряд, после того как пример стал понятен можно внести не прибавление 20%, а процент, являющийся решением задачи нелинейного программирования, при каждом вычислении  разного и опирающегося на результат предыдущего шага.

Тогда для нейросети решают задачу вычисляемого шага, а генетический алгоритм вычисляет вероятность следующего шага, все тоже самое но в какой то момент в коде есть функция с использованием числа полученного путем случайного разброса в определенном диапазоне?

Или это я опять пальцем в небо?
 
Можно ли привести в принципе простой математический пример для генетического алгоритма?

Я не игнорирую остальную часть текста про аналоги генотипа и фенотипа, но мне кажется вначале надо разобраться с математикой чтобы понять насколько возможно на простых примерах как конкретно это соответствие строится.

Есть области, где могут применяться и нейросети, и генетические алгоритмы, но математические вычисления, как путь приближения к решению, используются только в нейросетях.
В генетических алгоритмах - рандомизация и рекомбинация.

В отношении вопросов, поднимаемых в обсуждаемой статье, искусственные нейросети сразу можно вынести за скобки, поскольку они, во-первых, реализуются на основе тщательно проработанных и разумно организованных вычислений, и, во-вторых, каких-либо новых алгоритмов и функциональных системных структур не порождают.

Генетические алгоритмы - это, да, попытка перенести принципы природной эволюции в технические приложения.
Почему эта попытка оказалась безуспешной в отношении машинной реализации системной эволюции - это как раз предмет рассмотрения в обсуждаемой статье.

Цитата: Шаройко Лилия от ноября 26, 2023, 22:29:16есть произвольный числовой ряд состоящий из натуральных целых чисел и алгоритм выбирает из него наибольшее число и прибавляет к нему допустим 20%.  Ко всем, кроме самого большого. Таким образом в определенный момент времени на первую ступеньку выходят все новые разные числа.

Неправильно описала условия

алгоритм выбирает из ряда наибольшее число и прибавляет ко всем остальным 20%. Ко всем кроме самого большого.

Второй момент про нейросети

как это может работать по моим представлениям вместе с нелинейными функциями и как обучается нейросеть и что она потом делает как я это представляю сейчас в своем пехепешно(php) ориентированном воображении

Допустим у нас есть для этого числового ряда конкретные параметры климатических изменений на планете в определенный момент времени.
Таких таблиц несколько для каждого параметра своя таблица чисел, привязанная к датам прошлого и во время работы программы вычисляются эти же параметры для дат будущего. Есть свое число для сравнения(допустим уровень при котором биосферу начинает капитально плющить) для каждой таблицы

Как только изменился один параметр (допустим уровень метана на кубический метр) то это тащит за собой изменение другого параметра, допустим уровня СО2 и это связано между собой кореляцией выраженой нелинейным уравнением.

Когда оба этих параметра выросли они тащат за собой диапазон суточных скачков температуры а та влияет на влажность.

Для каждой связки двух параметров существует свое нелинейное уравнение зависимости одного от другого.
Число для
В тот момент когда число для сравнения опустилось ниже определенной позиции, запускается скрипт вычисляющий сколько нужно совершить определенных действий и в результате такого обучения нейросеть создает уравнение динамики процесса в будущем, по известному шаблону, но с учетом существующей динамики изменения параметров за какой то период реальных цифр реального времени, допустим полгода.

Результатом обучения такой нейросети будет файл, в который она запишет созданную ей самой но по шаблону формулу, по которой будет расчитываться динамика ближайшего будущего.

Дальше она работает, получает цифры реальных параметров, сравнивает их с вычисленными ранее и корректирует формулу, то есть стирает предыдущий файл допустим каждую неделю и пишет новый по результатам реальных цифр изменения динамики каждого параметра за каждую неделю.

Это ее работа после обучения.

Цитата: Игорь Антонов от ноября 27, 2023, 00:05:21Есть области, где могут применяться и нейросети, и генетические алгоритмы, но математические вычисления, как путь приближения к решению, используются только в нейросетях.
В генетических алгоритмах - рандомизация и рекомбинация.

В отношении вопросов, поднимаемых в обсуждаемой статье, искусственные нейросети сразу можно вынести за скобки, поскольку они, во-первых, реализуются на основе тщательно проработанных и разумно организованных вычислений, и, во-вторых, каких-либо новых алгоритмов и функциональных системных структур не порождают.

Генетические алгоритмы - это, да, попытка перенести принципы природной эволюции в технические приложения.
Почему эта попытка оказалась безуспешной в отношении машинной реализации системной эволюции - это как раз предмет рассмотрения в обсуждаемой статье.

Можно какой то конкретный пример привести? Из этих общих слов мне трудно представить что происходит на самом деле.

По моим ощущениям мое понимание растет, но может со стороны этого не видно, как только Вам надоест можно просто бросить попытки донести до меня свое видение вопроса.

Может кто-то более хорошо ориентирующийся в этих вопросах появится в этой теме.

Предположим, нам надо создать систему, предсказывающую выходной сигнал по входному.

У нас есть оракул, который знает правильные ответы на конкретные входные данные (может,  там парабола, может, логарифм, или какая-то иная зависимость), но нам нужна модель, которая любые входные данные отобразит в правильные выходные.

Мы можем входной сигнал (в общем случае многоканальный) параллельно подать на несколько сумматоров с нелинейной функцией на выходе, например, сигмоидой, а выходы этих сумматоров свести в один выходной сумматор аналогичного типа. Переменными являются коэффициенты, с которыми участвуют в суммировании сигналы по каждому из входов сумматоров и добавляемое к сумме каждого сумматора смещение (bias).

Полный набор таких коэффициентов может быть как объектом обучения нейросети, так и реализации генетического алгоритма.

 Но для генетического алгоритма будет создаваться популяция случайных наборов коэффициентов, будет оцениваться ошибка модели, порождаемой каждым из вариантов, лучшие будут отбираться, мутировать и рекомбинироваться при размножении, снова отбираться лучшие и т.д., пока точность решения не станет желаемой.

Нейросеть же на основе знания математических свойств имеющейся структуры сумматоров с нелинейными элементами на выходе математически вычислит градиент функции ошибки по переменным-коэффициентам и немного скорректирует эти коэффициенты в направлении уменьшения функции ошибки. И так будет делать циклически, пока не получит результат нужной точности.

То есть, нейросеть направленно движется к оптимальному решению, а генетический алгоритм ненаправленно мечется в его поисках. Почти всегда первый путь предпочтительнее, но применительно к задаче синтеза системных структур и он её решением не является.

Цитата: Шаройко Лилия от ноября 27, 2023, 00:10:46Может кто-то более хорошо ориентирующийся в этих вопросах

Разумеется, это не я.

Цитата: Шаройко Лилия от ноября 26, 2023, 22:29:16мне кажется вначале надо разобраться с математикой чтобы понять насколько возможно на простых примерах как конкретно это соответствие строится.

Дан любой источник, обесценивающийся по "математике полураспада". Надо предсказать, как подготовиться к появлению принципиально непредсказуемого нового источника.
  Разбиваем-виргируем обесценивание внутреннего источника (допустим жирок) на несколько метаболических траекторий, каждая из которых будет различаться лишь крутизной "полураспада". Все траектории практически сольются в точечную область, которую можно охарактеризовать, как целеположение, что для организма, что для среды обитания.
  Потребность организма проявится, как разница между тем что есть на самом деле в точке целеположения и тем, что ожидалось, как привычное. Режим экономии включается "автоматически", как относительная активация одного из метаболических маршрутов за счет снижения роли других.
  Нейтральные мутации лишь добавляют число вероятных маршрутов ведущих к естественной цели обесценивания ресурса. В принципе, это математика искусственной нейросети, когда на входе добавляются новые источники, сводимые к решению одной задачи, которую ставит мифический оракул или программист-потребность. Это горизонтальная эволюция под "действием" ЕО, итогом которой будет сходимость экосистемы в крайнюю степень симбиоза.
  Симбиоз то, что может стазисно функционировать сколь угодно длительно, как замкнутая система, но и обязательно будет уязвлена вторженцем нуворишем - примеров полным полно.

  Организм - это маленькая экосистема "симбиотических траекторий обесценивания", которая будет уязвлена кардинальной мутацией-нуворишем, что равносильно блокировке привычного средового источника, при которой организм вынужден перейти к режиму внутреннего истощения с "обрезанием" метаболических траекторий по естественному правилу: вначале самые пологие траектории "полураспада", затем все более крутые. При этом область целеполагания, вернее область конечной потребности, смещается все ближе к тому новому средовому источнику, который будет или не будет распознан.
  Вот это фифти/фифти распознания, наверное, не просчитываемо никакими заранее составленными программами. Математически же схождение источника и конечной потребности приводит к обрушению всех ранее бытовавших алгоритмов ресурсного обесценивания и выглядит, как опрокидывание волны-цунами на пологий берег. Сколько новых вихрей при пожирании самого себя родит организм? И как родится тот вихрь, который развернется маршрутом обесценивания нового ресурса?

Цитата: Шаройко Лилия от ноября 27, 2023, 00:10:46

Цитата: Игорь Антонов от ноября 27, 2023, 00:05:21Есть области, где могут применяться и нейросети, и генетические алгоритмы, но математические вычисления, как путь приближения к решению, используются только в нейросетях.
В генетических алгоритмах - рандомизация и рекомбинация.

Можно какой то конкретный пример привести? Из этих общих слов мне трудно представить что происходит на самом деле.

Хорошо, вот два простых примера успешного решения одной и той же задачи на python.
В задаче требуется по возможности точно восстановить линейную зависимость выходного параметра некоторого устройства от входного по набору зашумленных измерений вход-выход.

Код  sample_gt.ipynb
https://colab.research.google.com/drive/1RD6LJZCwwIejqajWHZcNlruc-Iz9UrbP?usp=sharing

решает задачу методом градиентного спуска, на использовании которого базируется реализация искусственных нейросетей.

Код  sample_ga.ipynb
https://colab.research.google.com/drive/1km5NksWMsL69qnfTomzDcqzmXeWu_FPV?usp=sharing

решает ту же задачу методом генетических алгоритмов.

Просмотреть код можно по ссылкам, для запуска на выполнение надо залогиниться в аккаунт google и нажать треугольник в левом верхнем углу.
Внизу страницы при выполнении последовательно выводятся результаты итераций: значение функции ошибки, значения параметров W и b, задающих прямую,  графики измерений и текущей модельной прямой.

Игорю огромное спасибо, и за первый текстовой пример и за два кодовых, все три значительно проясняют картину, ссылки у меня открылись даже без входа в мой аккаунт Гугля, может там работают какие то длительные куки, хотя я входила давно(когда последнее кино про раздачу котят загружала на свой Ютуб канал больше месяца назад) и постоянно тру историю браузера.
Но эти добрые и страшно навязчивые сайты(и Гугль и Яндекс) все равно подсказки постоянно делают так как будто я их следы не пыталась вычистить из памяти диска. А мне лень тратить время чтобы искать новые актуальные способы, проще выключить комп и уделять ему не больше трех часов в день и не каждый день.

Это пока работает, спасибо борьбе Арефьева и Ключа за свободу от искусственного интеллекта сети, пытающегося встроиться в личность на правах периферийного устройства, не настолько она еще стала неотделимой частью моей ЦНС чтобы невозможно было проводить много времени без нее. У многих она уже необходима с частотой приема пищи, а у некоторых широкими шагами идет к тому, чтобы стать частотой дыхания.


Но это не суть темы, сорри за офтопы.

Там в ссылках я вижу возможность править код, в принципе функции на php похожи, но синтаксис вроде капитально другой или я даже не настолько хорошо и php знаю, чтобы любые его функции читать.

Пока понятно примерно, не настолько, чтобы я уже полезла пытаться код править, вероятно если соблюдать синтаксис, то можно увидеть изменения на графике.

Конечно можно поэкспериментировать только с цифрами, я пока не решилась, но к вечеру наверное осмелею настолько чтобы попытаться.

Думаю благодаря очень хорошим комментариям к коду многие читатели смогут пойдя по ссылкам тоже представить хотя бы примерно как могут быть устроены такие структуры.
Мне это кажется важным, я думаю, чтобы понять проблемы, которые существуют с такими (и любыми другими) вещами, вначале нужно понять что это за вещи.

Василию Андреевичу тоже большое спасибо, во многом представляю ситуацию с мутациями похоже, но не совсем, попытаюсь ответить вечером

Цитата: василий андреевич от ноября 27, 2023, 09:37:40Разумеется, это не я.

Ничего, вопрос для форума сложный, точнее специалистов в области одновременно генетики и программирования здесь кроме Игоря нет, но может это и хорошо, что мы зададим специалисту вопросы и изложим представления, сходные с теми, которые появляются у читателей.

Таким образом будет шанс расширить сообщество людей, которые ориентируются в происходящем.

Цитата: Шаройко Лилия от ноября 27, 2023, 13:44:19специалистов в области одновременно генетики и программирования здесь кроме Игоря нет

"Генетические алгоритмы" - это всё-таки не генетика.

Цитата: Игорь Антонов от ноября 27, 2023, 00:34:34для генетического алгоритма будет создаваться популяция случайных наборов коэффициентов, будет оцениваться ошибка модели, порождаемой каждым из вариантов, лучшие будут отбираться, мутировать и рекомбинироваться при размножении, снова отбираться лучшие и т.д., пока точность решения не станет желаемой.

Игорь Антонов,  я вам нашел коллегу для  сотрудничества. Благодарить не надо.

Смотрим ролик "Забавные открытия российских ученых" по ссылке после статьи.

https://www.gazeta.ru/science/2023/11/26/17903461.shtml?updated#rprecord=eyJpZCI6InJlY29yZDo6ZDBhYmQwNDctMmQxNS00ZGFlLTg3OGMtODViZGIxOTIzZWZhIiwicmVjb3JkSWQiOiJyZWNvcmQ6OmQwYWJkMDQ3LTJkMTUtNGRhZS04NzhjLTg1YmRiMTkyM2VmYSJ9

kostik,
не отправляйте пожалуйста в дальнейшем сообщений в созданные мной темы.

Если Вам захочется ещё чем-то важным со мной поделиться или что-то обсудить - я готов, но приглашаю Вас в "личные сообщения" или на e-mail, который я Вам ранее отправлял.

Цитата: Игорь Антонов от ноября 27, 2023, 14:33:23"Генетические алгоритмы" - это всё-таки не генетика.

Конечно не генетика, но если мы обсуждаем возможно ли такими алгоритмами создать программы, которые служат исследованиям биологических объектов, то как минимум базовые представления о генетике живых объектов у программиста создающего код генетического алгоритма быть должны.

Я думаю это все таки не "вещь в себе", а метод изначальной целью которого было решать задачи реального мира.

В моей системе координат связь с реальностью у человека все таки есть, не смотря на множественные посреднические недоразумения ЦНС в сенсорных системах и в ассоциативной теменной коре, действительно создающей часто абстракт по любому поводу.

И человек в основном верно ориентируется в мире, если не слишком увлекается абстрактом.

Систем в ЦНС много, они уравновешивают друг друга и постоянно проверяются смертью как редактором. То есть тот, кто с головой не дружит в мире выживает плохо и недолго. Или одно из двух


А клеточные ответы на внешний мир проверяются уже почти четыре миллиарда лет. Достаточное время для обучения.

Я немного опять исчезну. Пока подробно примеры рассмотреть не удалось, приходится в юридический мир погружаться в связи с новыми договорами по газу, и всяческой связанной с многочисленной недвижимостью суетой, которая лопает мозг.
Расчет вероятности настоящих событий в такой неопределенной фактической и юридической среде, которая сейчас в мире и в стране действует требует совсем других по масштабам внутренних ресурсов чем схоластические рассуждения и отвечать за них приходится в настоящем мире.

Так что приходится выбирать.
Я думаю нужно выбирать настоящий мир как главный ориентир поскольку если нейросети или генетические алгоритмы будут жить по собственным законам, то человеку с ними очень скоро будет не справиться, они его подомнут под себя и размажут по стенке.

И никакие разговоры о том, что это принципиально невозможно так как есть определение  целого спектра ученых с высокими научными званиями никакого значения в этом процессе играть не будут.

И будет не важно осознают они себя или нет, являются ли разумом или интеллектом с нашей точки зрения.

Василий Андреевич писал на форуме недавно что законами при сжигании костра можно пренебречь. Пренебречь можно тем, что можно убрать из процесса и он не изменится.

Это не была агрессия или наезд, мне действительно интересна и тема и возможность понять этот мир новых программ, который уже нас постоянно окружает и влияет капитально на ежедневную практику массы людей.