Post #194

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