Обсуждение

Отлично! Повышение продакшн качества материалов с отличными камерами и микрофонами — не только приятно глазу смотрящего/слушающего, но и подспудно показывает, что автор профессионал, если у него картинка/звук профессиональные, а это повышает доверие (имхо). Осталось ещё микрофон топовый поставить. Или петличку какую (беспроводную для удобства) или как у радиоведущих/подкастеров (хоть blue yeti, хоть shure) и тогда вообще все ахнут от преображения.

Ну почему граф причинно-следственных связей вполне себе работает не только в "режиме конфирматорного анализа"? Более того давно (лет 10 минимум пользуюсь) практически работает.

Я не думаю, что хоть кто-нибудь ахнет ))) Потому как в основе любой картинки и звука лежит ещё и интерьер, и главное — качество самого говорящего. А я явно не модельной внешности, не с голосом народного артиста и не в роскошных интерьерах снимаюсь ))) Ну, и я таки не профессиональный блогер-"инфлюенсер". Я методолог )))

По норме там так: есть две теории с их разными графами, есть наборы данных эксперимента. Есть байесовкие вычисления, показывающие, какой из графов кривой. Его выкидываем, пользуемся оставшейся теорией. В принципе, Перл рассказывает и что делать, если граф один: можно и его кривым объявить. Но в более общей модели это не так: есть два кривых графа, и просто один более кривой, а другой менее, и остаётся победитель. Потом кто-то привносит третий новый граф, и он конкурирует уже с тем, что остался после предыдущего раунда — и либо выигрывает (менее кривой), либо проигрывает. Описание ситуации осложняется тем, что там не только новые-старые графы участвуют, но и все участники пытаются модифицироваться слегка, чтобы улучшить результаты. И модифицированный старый уже выкинутый граф может вполне успешно конкурировать некоторое время. Есть направление "поиска причинных связей по корреляциям", но там сплошные оговорки по поводу "особости случаев". Ну, и там находится "причинная связь", но вот природа её всё одно должна быть предложена экспертами, это почти эквивалентно заданию графа экспертом.

А почему такой странный предлог К во фразе "стандарт мастерства к обучению"? "Стандарт к обучению" или "мастерство к обучению"? Или "стандарт мастерства в обучении"?

Тут путается два мастерства: мастерство обучения и мастерство к обучению — и в русском да, предлог "к" можно понимать как хошь. Не знаю, уж как выразить покороче "стандарт мастерства, которому будем учить".

лучше полностью пиши: "стандарт того мастерства, которому планируется обучать".

Так нельзя, у меня в курсе это ж частый термин, рабочий продукт методолога.

Вот поменял везде на "стандарт мастерства к научению" (это тоже двусмысленно, но хотя бы означает позицию не студента, а команды курса).

Вот это вот все ниже это реально, много лет работающие алгоритмы которые не занимаются конфирматорным анализом, а именно строят структуру причинно-следственных связей объясняющих имеющееся экспериментально полученное многомерное распределение. Да, они не могут сами вводить новые переменные и т.д. и т.п. Но они решают именно задачу объективного построения оптимальной объясняющей структуры. bnlearn implements the following constraint-based structure learning algorithms: PC (the stable version); Grow-Shrink (GS); Incremental Association Markov Blanket (IAMB); Fast Incremental Association (Fast-IAMB); Interleaved Incremental Association (Inter-IAMB); Incremental Association with FDR Correction (IAMB-FDR); Max-Min Parents & Children (MMPC); Semi-Interleaved Hiton-PC (SI-HITON-PC); Hybrid Parents & Children (HPC); the following score-based structure learning algorithms: Hill Climbing (HC); Tabu Search (Tabu); the following hybrid structure learning algorithms: Max-Min Hill Climbing (MMHC); Hybrid HPC (H2PC); General 2-Phase Restricted Maximization (RSMAX2); the following local discovery algorithms: Chow-Liu; ARACNE;

Но ключевое-то — это как раз введение новых объектов, на которых можно минимизировать количество объясняющих структур для больших предметных областей. А на той же онтологии, конечно, можно "подбирать модельки". Так сказать, поиск не новых объяснений, а поиск приемлемых объяснений. Но эти все алгоритмы вроде как с ассоциациями работают (то есть не могут сказать, солнце встаёт из-за того, что петух крикнул, или наоборот, петух крикнул, потому как солнце встало, или есть что-то третье, что и солнце заставило встать, и петуха крикнуть).

> Но эти все алгоритмы вроде как с ассоциациями работают ОтнюдьТМ, как раз большинство из них пытается именно направленность причинно-следственную восстановить. Книга по bnlearn по моему попадается в библиотеках сетевых (ну и по самим алгоритмам масса статей). Пакет весьма работоспособный (ничуть не хуже любой классической прикладной библиотеки с численными методами), всячески рекомендую к использованию.

Ну вот с направленностью там как раз дикое количество оговорок, когда это возможно. Но я согласен, что методы установления стрелки причинности бурно развиваются, и где-то это может быть весьма интересно для "текущего объяснения в рамках заданной онтологии". Но когда-нибудь будет и новая онтология предлагаться, были бы вычислительные мощности )))

А вот потом всё равно поставите и таки ахнут и будет опять вопрос "ну чего же я этого раньше не сделал, как с камерой" :)