Перейти к содержанию
Форум интернет-конференций ВолНЦ РАН

Дмитрий Александрович Алферьев

Участники конференции
  • Публикаций

    45
  • Зарегистрирован

  • Посещение

  • Победитель дней

    1

Дмитрий Александрович Алферьев стал победителем дня 17 июня

Дмитрий Александрович Алферьев имел наиболее популярный контент!

Репутация

8 Neutral

Информация о Дмитрий Александрович Алферьев

  • Звание
    Advanced Member
  1. Вероника Ивановна, Ваш 2-ой ответ мне более понятен, но не понятно зачем к планетам привязываетесь. У Вас ритмы движения планет по сути альтернативой календаря выступают. А так в некоторой мере Вы примерно рассказываете о том о чем, например, Кондратьев или Китчин в рамках своих теорий циклов говорили. Спасибо.
  2. С тем, что Вы сейчас пишете я очень даже согласен. Но у Вас то по сути линейный тренд (зеленым цветом), а данные все верно (красным цветом) идут совсем не так, как он. Ну и если быть еще более точным, то ваша модель не линия, а некоторая цикличная ломаная, циклы которой далеко не очень успешно повторяют реальные данные. И все верно, в рамках данных цикличность прослеживается очень даже не явно. А в модели то они есть.
  3. От Алферьева Д.А.

    Это тоже мне очень пригодится в докторской ))) Спасибо. По рабочим вопросам пишите на почту.
  4. В целом согласен с Вами. Извините, запамятовал. С компонентами сам сталкивался с подобной проблемой. Только там дилемма, когда входная переменная качественная (на тот момент их просто исключали, но, возможно, есть более изящный выход). И еще будет проблема интерпретируемости этих самых компонент. Но зато они однозначно не коррелируют между собой ))) Аббакумов Вадим Леонардович - топовый специалист в обработке и анализе данных. Все очень доступно и наглядно. У меня еще был один момент в практике. Что-то подобное, как ваше исследование, вокруг арболитовых блоков делал. Помимо общей регрессионной модели, систему отдельных уравнений по каждому фактору строили. Казус случился, когда стали модель в лаборатории проверять. Модели в рамках оценок качества замечательные, а начинаешь по ним по пробиркам ингредиенты брать, и не получается, как в расчетах. Но не помню точно, что плохо сработало: множественная регрессия или система уравнений.
  5. По квадрату ловко. 0-1 в Вашу пользу ))) Но в целом по 2-ой формуле. Если у Вас есть данные очень похожие друг на друга {100; 101; 102}. Их стандартное отклонение примерно равно 0,82. Вы ведь деля их на это значение единичку не получите. Тут скорее всего как-то не совсем корректно формула прописана. По интегральным оценкам. Я понимаю, что Вы взяли чью-то методику. Довольно авторитетную. Но я Вам попытался суть дилеммы интегральных оценок рассказать. На практике часто бывает, что срочно нужно что-то придумать, но оно не всегда идеально. Может Вы лучше сделаете.
  6. Я так понимаю Вам не нравится, когда Вас критикуют. Но вроде как я Вас вычитал, потратил свое время, и постарался высказать не банальные нюансы. Также видел, что студент в соавторах и, наверно, он учился строить статистические модели. Но суть их понимать тоже здорово. Теперь про нейросети и сложные методы. Я такого не писал. Я писал, что по честному эти модели ради моделей. Если я условно знаю, что животное летом дает 2 литра молока, а зимой 1 литр, то гипотетически я могу предположить, что в следующее лето оно снова даст 2 литра молока, а зимой - 1. Где здесь разговор про нейросети? Как видите я еще проще поступил, без моделирования статистической зависимости. Для тезисов все здорово, никто Вас не планирует не откуда исключать и в мыслях подобного не было. Успехов Вам и всего самого лучшего.
  7. Добрый день, Денис Игоревич и Дмитрий Иванович. Прочитал ваш доклад. В целом - больше всего понравился ))) Думаю у Вас получилось, что Вы хотели сделать. Из интересного отмечу, что Вы описываете технические аспекты обработки данных, о чем зачастую не говориться в литературе, но на практике очень даже приходиться сталкиваться, например, переконвертация изображения или обрезка рисунков с целью уменьшения вычислительных процессов (сталкивался, подтверждаю). Также был удивлен, что процедура оценки лопаток ручная. В связи с этим вопрос. Почему так долго внедряются подобные технологии в рабочую практику, когда преимущество подобных технологий над человеческими возможностями вроде как видится очевидным?
  8. Я Вас обидеть не хотел, Андрей Михайлович. Всего лишь высказал некоторые моменты, которые мне показались интересными. За фундамент для дальнейших исследований у Вас как раз все огонь, но как прикладная модель - сыровато. Теперь попробую прокомментировать Вас в силу своих скромных познаний в математике: 1). Идентичность моделей в том, что Вы молоко от молока прогнозируете. 4-ым вариантом можно взять уравнение гармонического колебания и подставив в него соответствующие значения тоже получить хорошую модель с точки зрения подгона под фактические значения. И как до этого писал, зная сколько корова дает молока в определенный сезон, я без статистических моделей Вам могу сказать сколько у нас его будет в тот или иной период времени. 2). По второму моменту тоже Вам писал, что Вы как-бы моделируете пессимистичный и оптимистичный варианты надоя молока в рамках того, что все пойдет по плану. А если коровы заболеют, а если кормовая база изменится, а если буренок не будем выгуливать на лугу? Думаю, над этим стоит подумать, если Вы и дальше хотите заниматься данной тематикой. 3). По приложенному рисунку. Ну он далек от идеала. - Например, "Модели предметной области", где написана "Термодинамика". А что нет термодинамических моделей, описываемых через переменную времени? - "Модели временных рядов" ищут зависимости внутри самого процесса. А что нет таких процессов на которые оказывают факторы, изменяющиеся во времени, и в соответствии с этим меняющие исследуемый объект? - "Структурные модели" в которых фигурируют нейронные сети. Берем архитектуру многослойного персептрона и статистическую выборку. Обучаем нейронку, например, при помощи метода обратного распространения ошибки. В рамках обучения мы используем статистические данные. Тогда почему их нет в статистических моделях? Еще раз. Не серчайте на меня, пожалуйста. Если Вам нужны овации, то к сожалению не ко мне, если поделиться опытом, то в силу своих скромных познаний вот такие нюансы подметил.
  9. Здравствуйте, Елизавета Сергеевна. Познакомился с Вашим докладом. Спасибо Вам за смелость ))) А теперь по делу: 1). Первая формула используется для приведения разных объектов к условно-идентичным единицам измерения. При этом в рамках выборки после стандартизации она будет иметь нулевое математическое ожидание и единичную дисперсию. Пример. У Вас есть слон и моська, и в рамках их жизни они растут от детеныша до взрослой особи. За это время изменяется их масса тела. Если по оси абсцисс вы отложите время, а по оси ординат массу, то получится, что масса слона растет, а масса собачки практически не изменяется относительно слона. Но если сравнить массу собачки с мышкой, то песик будет расти как на дрожжах. Если применить к этим объектам стандартизацию, то они станут как-бы соразмерны. 2). 2-ая формула - это бомба ))))) Самое веселое, что Вы в ней одно выражение возводите в квадрат, а потом из него же извлекаете квадратный корень. Это примерно как если к выражению прибавить 756, а потом это же число вычесть. Ничего же не изменится. Плюс ко всему Вы не получите из нее то, что комментируете под ней. 3). Ключевая тема в рамках математики, которую Вы затрагиваете - это методика построения интегральных оценок. Тут сложности следующие: - Когда мы говорим про какой-либо социально-экономический объект при подобном подходе, мы подразумеваем, что он представляет собой комплекс показателей хитро сложенных между собой. А если другой исследователь будет говорить про то же самое, но возьмет другие показатели и, соответственно, получит другие оценки, то как-бы Вы про одно и тоже говорите или все же разные объекты? - Даже если мы обусловимся, что отобранный набор показателей характеризует то, о чем мы думаем, то как выделить весомость каждого из них по отношению друг к другу? Пример. Вы покупаете туфли. Для Вас туфли - это набор показателей: "цена", "размер", "цвет". А дальше: 1) у Вас мало денег, но ходить то в чем то надо; 2) у Вас много денег и Вам важно удобство; 3) Вы собираетесь на бал, где черно-белый дресс код, ...
  10. Добрый день, Ольга Юрьевна. Познакомился с Вашим сообщением. В целом все довольно ясно и по существу, кроме вывода по построенной модели. У Вас коэффициент детерминации 0.56. Условно, половина данных живет вне рамок Вашей модели. Причин тут может быть много: сильное различие в масштабе значений показателей по разным регионах (что для одного норма, для другого много или мало); зависимость нелинейная или, скажем, есть что-то еще, что Вы как раз пока и не нашли.
  11. Здравствуйте, Светлана Александровна, Софья Михайловна и Карина Вадимовна. Ознакомился с Вашими тезисами и немного прокомментирую: 1). В целом идея понятна. Разработать функциональную зависимость, в соответствии с которой можно взять значения конкретных переменных и посмотреть, что получится на выходе. Но влиять то на ситуацию Вы хотите, дергая определенные ниточки. А в Вашем случае Вы вначале эти ниточки находите, а потом уже управляете. Т.е. я как заказчик говорю, что у моего водопровода есть определенные краники, и я хочу узнать, как их повернуть, чтобы потекло то, что мне надо. Или Вам и эти "краники" позволили установить? (извините за аллегорию) 2). Если задача является такой как я ее поставил, то советую присмотреться к модели многослойного персептрона (это архитектура нейронной сети, может использоваться как аналог регрессии). Степень аппроксимации у нейронок зачастую лучше. Но у Вас процесс физический, а не гуманитарного характера, поэтому с Вашей задачей и классические методы математической статистики, наверно, успешно могут справиться. Надо смотреть 3). О значимости переменных включенных в модель. Для себя я совсем недавно открыл, что она характеризуется тем, на сколько сильно при найденных коэффициентах изменяется зависимая переменная. Т.е. если мы должны получить ответ с точностью до 4-го знака после запятой, а переменная в рамках выборки изменяет какую-то триллионную, то, следовательно, она погоды не делает, и от нее можно избавиться. Дак вот. Эта значимость очень сильно зависит от комбинации факторов, включенных в модель. В одной комбинации она значима, а в другой нет. Т.е. Вы можете решать комбинаторную задачу относительно тех переменных, которые Вам очень хочется в модель включить. Здесь же есть еще момент, связанный с мультиколлинеарностью. Т.е. Вы можете включить в модель показатели по разному названные, но по сути дублирующие друг друга. Здесь советую присмотреться к методу главных компонент (PCA). Эту тему хорошо разбирает Аббакумов Вадим Леонардович.
  12. Здравствуйте, Юлия Валентиновна. Ознакомился с Вашими тезисами. Пара моментов, которые мне приглянулись. 1). В рамках моделей на рис. 4 и 5 есть явный момент, говорящий о том, что исследуемый процесс циклический (повторяющиеся с определенной частотой одинаковые волны на графике), но если посмотреть на фактические данные, то никаких циклов в них не наблюдается. По ощущению, через облако рассеяния можно было бы провести да хоть бы линейную регрессию, сопроводив стандартным отклонением, и, в принципе, мало бы что поменялось. Мне кажется, что подобная модель очень далека от реального описания сути вещей, которые Вы исследуете? 2). Относительно рис. 4 на стр. 3. У Вас написано, что "Исходя из анализа полученных модельных значений процент респондентов, считающих цены относительно стабильными, будет уменьшаться." Но в соответствии с моделью он то как раз от года в год очень медленно растет.
  13. Добрый день, Юлия Сергеевна и Андрей Михайлович. Ознакомился с Вашими тезисами. Возникли следующие соображения. 1). Используемые в работе модели в целом идентичны друг другу и, наверно, могут использоваться в равной мере без особого страха, что какая-то из них что-то лучше или хуже описывает. Тут проблема в том, что они в большей мере носят описательный характер нежели прогностический. Т.е. если условия содержания стада и само оно останутся неизменными, то все будет так, как в моделях. В принципе, можно просто таблички составить и посмотреть, сколько в среднем молока дает одна корова в определенный квартал, и помножить это число на количество буренок, и добавить к этому стандартное отклонение, как погрешность. 2). С моделированием оптимистичного и пессимистичного прогноза не согласен. Это погрешность в рамках оптимистичного варианта развития событий (т.е. все пойдет так, как описано в модели).
  14. Вероника Ивановна, как я понял, то на принятие решений живыми организмами (например, люди и вирусы) на планете Земля оказывает влияние движение планет, которое в некоторой мере может быть описано уравнением гармонических колебаний. В соответствии с вычислениями, проводимыми в рамках этой модели, могут быть найдены периоды, в рамках которых происходят одинаковые, повторяющиеся события. А Вы не думали, что путаете причинно-следственные связи? Рассмотрим покупку зимней обуви. Причиной является не факт наступления зимы в рамках настенного календаря, а похолодание. Если я решу совершить восхождение на Эверест, то мне понадобиться теплая обувь, несмотря на то, что там, где я живу, июль в самом разгаре, летают бабочки, и щебечут птицы. У военных событий или эпидемий тоже есть вполне конкретные причины. * Относительно "материальной точки" - не понял, к чему Вы это. Материальная точка - это абстракция, в рамках которой при обобщенном моделировании мы пренебрегаем многими свойствами объекта, который рассматриваем. В принципе, Вы и говорите, что Вас от планет только их циклическое движение интересует.
  15. От Алферьева Д.А.

    Спасибо. Пригодится. Кратенько прокомментирую. В рамках теории реализации агентных моделей со встроенными в них нейросетями все довольно ясно и гармонично, но из того, что пока попадалось - на практике все не совсем так ))) При первом знакомстве с данными тематиками в голове сразу возникла мысль о возможности моделирования агентов, способных видоизменяться (посредством нейросетевых алгоритмов) до каких-то незапланированных состояний. Но судя по всему возникают сложности: громоздкость вычислительных процедур и появление в модели агентов не соответствующих реальной действительности. У Альберта Рауфовича в оговоренной статье, как я понял, нейросети довольно ограниченно введены - в рамках глобального агента "внешняя среда". Сами агенты детерминированы в своем поведении; да и нейросети, возможно, выступают больше не самообучающейся системой, а более точной функцией аппроксимации.
×