Сергей здравствуйте. Просто обескуражен информацией содержащейся в данном плей листе. Спасибо Вам за такой великолепный курс. Создается впечатление, что процесс Маркова это паттерн для рядов Тейлора, с той разницей, что Марков оперирует вероятностью, а Тейлор производной.
Браво! Так просто изложен материал, к которому реально боялся подступиться!!! Спасибо огромное! Странно, но оба алгоритма при увеличении N ведут себя одинаково - не уходят в бесконечность. Проверил до N=100000.
Понял в чем проблема. Величина пси имеет нормальное распределение с нулевым матожиданием. Это значит, что сумма отрицательных и положительных значений должна быть одинакова и колебаться около нуля. Тогда в пределе Xi тоже не может уходить в бесконечность. Следовательно, ее дисперсия не может расти бесконечно. А домножение на константу Хi-1 не влияет на пси никак. В самой последней системе уравнений не хватает множителя r в уравнении авторегрессии скорости при члене Vi-1
Получается марковский процесс не имеет под собой никакой механической модели - чистая стохастика - броуновское движение. Но если это броуновское движение, частица не может уйти в бесконечность, иначе все механические взвеси расслаивались бы вдоль стенок сосуда (без учета гравитации, конечно), но такого не происходит.
когда мы говорим о марковских цепях, мы говорим, по сути, о расчете перехода между событием в момент времени t-1 к событию в текущий момент времени t. И считаем, что вся информация до t-1 уже содержится в t-1 и никакую дополнительную прошлую информацию учитывать не нужно. но бывает так, что событие в момент времени t-1 является стат выбросом. тогда и переход от t-2 к t-1 будет "выбиваться", и от t-1 к t (будем иметь ошибку при сравнении прогноза и фактического значения). Вопрос вот в чем: можно ли как-то использовать информацию из момента времени t-2, но с каким-то мЕньшим весом, например. Т.е. предыдущее значение (в t-1) является важным, но мы учитываем еще и событие в t-2. Спасибо.
Приветствую. Сделайте пожалуйста видео с инструкцией написания программы для импорта файлов SEG-Y формата в питон и с дальнейшей обработкой ( усиление сигнала, фильтрация). Ну и также про саму выгрузку))
Это конечно все не плохо, но без мат бэкграунда смотреть нереально. Вы бы хоть в начале видео говорили о том, какие темы нужно изучить, чтобы понять видео. А то откуда ни возьмись в первых видео появляется сигма, сейчас появилась пи. При том, даже не особо объясняется смысл формул (как их вывести); это даёт лучшее понимание и, как следствие, запоминается лучше. Давать тупо мат формулы и потом просто показывать код - такая себе идея
selfedu, так вы там просто про тервер и производную говорите. Ни слова, допустим, о той же теории рядов, линейной алгебре (работа с матрицами), тригонометрии (которая явно появится в будущем). Не сведущим в этом ничего людям разобраться будет очень сложно
![Lp. Сердце Вселенной #60 РОЖДЕНИЕ ЛОЛОЛОШКИ [Финал] • Майнкрафт](http://i.ytimg.com/vi/YoR0pAV9FVQ/mqdefault.jpg)
Сергей здравствуйте. Просто обескуражен информацией содержащейся в данном плей листе. Спасибо Вам за такой великолепный курс. Создается впечатление, что процесс Маркова это паттерн для рядов Тейлора, с той разницей, что Марков оперирует вероятностью, а Тейлор производной.
Браво! Так просто изложен материал, к которому реально боялся подступиться!!! Спасибо огромное! Странно, но оба алгоритма при увеличении N ведут себя одинаково - не уходят в бесконечность. Проверил до N=100000.
Понял в чем проблема. Величина пси имеет нормальное распределение с нулевым матожиданием. Это значит, что сумма отрицательных и положительных значений должна быть одинакова и колебаться около нуля. Тогда в пределе Xi тоже не может уходить в бесконечность. Следовательно, ее дисперсия не может расти бесконечно. А домножение на константу Хi-1 не влияет на пси никак. В самой последней системе уравнений не хватает множителя r в уравнении авторегрессии скорости при члене Vi-1
Получается марковский процесс не имеет под собой никакой механической модели - чистая стохастика - броуновское движение. Но если это броуновское движение, частица не может уйти в бесконечность, иначе все механические взвеси расслаивались бы вдоль стенок сосуда (без учета гравитации, конечно), но такого не происходит.
Шикарно, первый раз слышу о Марковских процессах. Но интересно очень!
Спасибо. Очень полезный материал!
Ни чего не понял, но очень интересно))
Годнота!
😎
когда мы говорим о марковских цепях, мы говорим, по сути, о расчете перехода между событием в момент времени t-1 к событию в текущий момент времени t. И считаем, что вся информация до t-1 уже содержится в t-1 и никакую дополнительную прошлую информацию учитывать не нужно.
но бывает так, что событие в момент времени t-1 является стат выбросом. тогда и переход от t-2 к t-1 будет "выбиваться", и от t-1 к t (будем иметь ошибку при сравнении прогноза и фактического значения).
Вопрос вот в чем: можно ли как-то использовать информацию из момента времени t-2, но с каким-то мЕньшим весом, например. Т.е. предыдущее значение (в t-1) является важным, но мы учитываем еще и событие в t-2.
Спасибо.
Приветствую. Сделайте пожалуйста видео с инструкцией написания программы для импорта файлов SEG-Y формата в питон и с дальнейшей обработкой ( усиление сигнала, фильтрация). Ну и также про саму выгрузку))
Поясните, для чего, и откуда матрица
подскажите, а можно ли вычислить ожидаемое количество переходов из состояния A в состояние B, если известны все вероятности переходов?
в общем нет, т.к. их бесконечное множество может быть ) Можно найти наиболее вероятное, как раз это и делает фильтр Калмана.
@@selfedu_rus а если известны конечные состояния и есть условие, что переход происходит только в одном направлении без колец?
@@gorin-a ну тогда эти возможные состояния и есть варианты исходов ))
Это конечно все не плохо, но без мат бэкграунда смотреть нереально. Вы бы хоть в начале видео говорили о том, какие темы нужно изучить, чтобы понять видео. А то откуда ни возьмись в первых видео появляется сигма, сейчас появилась пи. При том, даже не особо объясняется смысл формул (как их вывести); это даёт лучшее понимание и, как следствие, запоминается лучше. Давать тупо мат формулы и потом просто показывать код - такая себе идея
как раз для этого см. введение: ua-cam.com/video/I_UjPfSbAPc/v-deo.html
selfedu, так вы там просто про тервер и производную говорите. Ни слова, допустим, о той же теории рядов, линейной алгебре (работа с матрицами), тригонометрии (которая явно появится в будущем). Не сведущим в этом ничего людям разобраться будет очень сложно
ваш вопрос был по терверу
Зачем тогда вообще смотреть про марковские процессы, если не знаешь математики?