Согласен, ситуация комична: с выбором языка разбираются профессионалы. Новички как-то в сторонке.
Конечно, часто можно увидеть вопросы «Посоветуйте, какой язык начать изучать», но… Я справился с самостоятельным изучением только после того, как основательно укрепился в С++. Да и выбирать не приходилось — просто возникла мысль «Хочу знать Haskel».
Итог: статья типа «Выбор языка для новичков»(не конкретно эта) — она не для новичков =)
Поддерживаю Nurked`а.
Часто говорят: «Выбирайте язык под задачу». Но это, по-моему, тоже туфа. Я обычно сталкивался с этой проблемой в следующем контексте:
Я знаю, что смогу решить эту задачу на своем любимом языке «Таракан Кукарача», хотя это и будет сложно. А дядя Петя-алкоголик твердит, что для подобных задач был разработан язык «Крошка Молли», и на нем эту задачу решить куда проще. И выбор «Знаю, но сложно vs Не знаю, но просто» в случае необходимости показать результат как можно скорее делался не в пользу бедной овечки.
Я думаю, это зависит от того, чего конкретно вы хотите.
Если хотите показать именно пример реализации нейронной сети — то лучше перейти на какой-нибудь более популярный язык.
Если же хотите передать сами знания — то какая разница, на чем примеры написаны? Можно вобще без кода, только картинки с результатами навставлять.
В конце-концов, примеров реализации нейронных сетей на каком-либо языке программирования полно.
Нет, вы обобщаете задачу, а не модель сети. Не стоит думать, что нейронная сеть сама все распознает. Обычно схема работает так:
Есть n-мерный СКВ( сферический конь в вакууме ). В этом n-мерном пространстве у нас нет четкого правила определения (или оно слишком сложное), к какому типу коней он пренадлежит. Мы проганяем его через нейронную сеть — получаем образ СКВ в k-мерном пространстве, для которого такое правило очевидно / проще.
Например, мы хотим получить либо да (выход == 1) либо нет (выход == 0). Тогда вместо решения задачи классификации n-мертного вектора нам надо всего лишь решить задачу «выход = x ближе к 0 или к 1?».
На мой взгляд, для начинающих — неплохо. Хотя и с оговорками.
У меня другой совет: не надо примеров с распознаванием букв — завязните с предварительной обработкой( тут написано почему). Поскольку нейронная сеть в конце-концов не классифицирует, а аппроксимирует — возьмите пример аппроксимации. Например, по заданным 10 значениям увидеть sin( x ). Пример же простым должен быть.
Когда мы совсем зеленые были, для нас Code Review проводили полуанонимно — не говорили, кто автор анализируемого кода. Все на равных обсуждали. Автора можно было определить лишь по красному от стыда лицу.
Конечно, часто можно увидеть вопросы «Посоветуйте, какой язык начать изучать», но… Я справился с самостоятельным изучением только после того, как основательно укрепился в С++. Да и выбирать не приходилось — просто возникла мысль «Хочу знать Haskel».
Итог: статья типа «Выбор языка для новичков»(не конкретно эта) — она не для новичков =)
Часто говорят: «Выбирайте язык под задачу». Но это, по-моему, тоже туфа. Я обычно сталкивался с этой проблемой в следующем контексте:
Я знаю, что смогу решить эту задачу на своем любимом языке «Таракан Кукарача», хотя это и будет сложно. А дядя Петя-алкоголик твердит, что для подобных задач был разработан язык «Крошка Молли», и на нем эту задачу решить куда проще. И выбор «Знаю, но сложно vs Не знаю, но просто» в случае необходимости показать результат как можно скорее делался не в пользу бедной овечки.
Между прочим, совсем недавно приходилось на нем писать работу с девайсом, на который под систему дров нет в природе.
Если хотите показать именно пример реализации нейронной сети — то лучше перейти на какой-нибудь более популярный язык.
Если же хотите передать сами знания — то какая разница, на чем примеры написаны? Можно вобще без кода, только картинки с результатами навставлять.
В конце-концов, примеров реализации нейронных сетей на каком-либо языке программирования полно.
Есть n-мерный СКВ( сферический конь в вакууме ). В этом n-мерном пространстве у нас нет четкого правила определения (или оно слишком сложное), к какому типу коней он пренадлежит. Мы проганяем его через нейронную сеть — получаем образ СКВ в k-мерном пространстве, для которого такое правило очевидно / проще.
Например, мы хотим получить либо да (выход == 1) либо нет (выход == 0). Тогда вместо решения задачи классификации n-мертного вектора нам надо всего лишь решить задачу «выход = x ближе к 0 или к 1?».
У меня другой совет: не надо примеров с распознаванием букв — завязните с предварительной обработкой( тут написано почему). Поскольку нейронная сеть в конце-концов не классифицирует, а аппроксимирует — возьмите пример аппроксимации. Например, по заданным 10 значениям увидеть sin( x ). Пример же простым должен быть.