что такое абстракция?: deep_econom — LiveJournal
?вики:
Абстракция (лат. abstractio — отвлечение) — теоретическое обобщение как результат абстрагирования.
Абстрагирование — отвлечение в процессе познания от несущественных сторон, свойств, связей объекта (предмета или явления) с целью выделения их существенных, закономерных признаков. Результат абстрагирования — абстрактные понятия, например: цвет, кривизна, красота и т. д.
https://ru.wikipedia.org/wiki/Абстракция
надо всетаки дать такое определение
абстракция это модель
абстракция это отражение, это модель оригинала, модель абстрагируемого
абстрагирование это построение модели
на языке функций это образ отображения
ps
alexey_donskoy: Формальная модель, конечно.
Что такое абстракция? https://deep-econom.livejournal.com/589091.html
upd
есть причина, есть следствие, цепочка причинно-следственных связей
в некотором смысле, поскольку следствие естественное отражение причины, естественное отображение причины
но каждая причина в некотором смысле это отражение следствия, мы вправе строить обратное отображение, находить прообраз образа
тогда получается, что причина тоже абстракция следствия
модель это отражение оригинала, но оригинал тоже отражение модели
приходим к выводу
абстракция относительна
ps
Что такое понятие?
https://deep-econom.
livejournal.com/50938.html
Процесс конструирования стрелки назовем абстрагированием.
Начальный объект назовем абстрагируемое/означаемое/объект/значение, конечный объект назовем абстракция/означающее/имя/имя.
Стрелку/Arrow обратную к абстрагированию (a,b) назовем специализацией или связыванием (b,a).
ps2
Абстракция, Абстрагирование
Процесс конструирования стрелки назовем абстрагированием. Начальный объект назовем абстрагируемое/означаемое/объект/значение, конечный объект назовем абстракция/означающее/имя
Отношение это абстракция
https://deep-econom.livejournal.com/66365.html
Пошаговое абстрагирование
https://deep-econom.livejournal.com/595341.html
Дерево абстракции
https://deep-econom.livejournal.com/539356.html
Абстракция, Абстрагирование
https://deep-econom.livejournal.com/592760.html?thread=5721976#t5721976
семантические сети
Моё: Два подхода к представлению стрелок: 1.
Делаем доп.узел и стрелку на стрелку! 2. Можно разрывать стрелку. Обратить внимание на структуры, на…Фантастика, приключения, детективы.
я качал фантастику чтобы слушать на телефоне использую бесплатную читалку @voice зашел туда с помощью ВК, всё качает Серия супер-крупных книг…
реальный бой в окопе
Полные кадры боя между Россией и Украиной в упор. https://youtu.be/V0I-f234h58 часть гугл-перевода с индонезийского описания ролика: Выстрел за…
Делаем доп.узел и стрелку на стрелку! 2. Можно разрывать стрелку. Обратить внимание на структуры, на…Photo
Hint http://pics.livejournal.com/igrick/pic/000r1edq
семантические сети
Моё: Два подхода к представлению стрелок: 1. Делаем доп.узел и стрелку на стрелку! 2. Можно разрывать стрелку. Обратить внимание на структуры, на…
Фантастика, приключения, детективы.
я качал фантастику чтобы слушать на телефоне использую бесплатную читалку @voice зашел туда с помощью ВК, всё качает Серия супер-крупных книг…
реальный бой в окопе
Полные кадры боя между Россией и Украиной в упор.
https://youtu.be/V0I-f234h58 часть гугл-перевода с индонезийского описания ролика: Выстрел за…
https://youtu.be/V0I-f234h58 часть гугл-перевода с индонезийского описания ролика: Выстрел за…Поисковик по Корану
| ||||||||||||
1. Открывающий («Аль-Фатаху»)
2. Корова («Аль-Бакара»)
3. Род Имрана («Али-Имран»)
4.
Женщины («Ан-Ниса»)
5. Das Macht («Аль-Мадда»)
6. Скот («Аль-Анам»)
7. Ограды («Аль-Араф»)
8. Трофеи («Аль-Анфаль»)
9. Покаяние («Ат-Тауба»)
10. Йуша («Joshua»)
11. Худ («Худ»)
12. Иосиф («Йусуф»)
13. Гром («Ар-Раад»)
14. Авраам («Ибрахим»)
15. Хиджр («Аль-Хиджр»)
16. Пчелы («Ан-Нахль»)
17. Ночной Перенос («Аль-Исра»)
18. Пещера («Аль-Кахф»)
19. Мария («Марьям»)
20. Та Ха («Та Ха»)
21. Пророки («Аль-Анбийа»)
22. Конференция («Аль-Хаджж»)
23. Доверившиеся («Аль-Муминун»)
24. Свет («Аль-Нур»)
25. Различение («Аль-Фуркан»)
26. Поэты («Аш-Шуара»)
27. Муравьи («Ан-Намль»)
28. Возмездие («Аль-Кысос»)
29. Инкубатор («Аль-Анкабут»)
30. Рим 3.0 («Ар-Рум»)
31. Лукман («Лукман»)
32. Циркулирующие («Аль-Саджидина»)
33. Союзники («Аль-Ахзаб»)
34. Сава («Саба»)
35. Творец («Фатыр»)
36.
Йа Син («Йа Син»)
37. Выстроившиеся В Ряды («Ас-Саффат»)
38. Сод («Сод»)
39. Толпы («Аз-Зумар»)
40. Прощающий («Гафир»)
41. Расставлены («Puzzled»)
42. Шариат («Аль-Шариа»)
43. Украшения («Аз-Зухруф»)
44. Дым («Ад-Духан»)
45. Коленопреклоненные («Аль-Джасийа»)
46. Барханы («Аль-Ахкаф»)
47. Мухаммад («Мухаммад»)
48. Открытие («Аль-Фатх»)
49. Комнаты («Аль-Худжурат»)
50. Каф («Каф»)
51. Рассеивающие Прах («Аз-Зарийат»)
52. Гора («Ат-Тур»)
53. Звезда («Ан-Наджм»)
54. Луна («Аль-Камар»)
55. Милостивый («Ар-Рахман»)
56. WQ («Аль-Вики»)
57. Железо («Аль-Хадид»)
58. Препирающаяся («Аль-Муджадила»)
59. Сбор («Аль-Хашр»)
60. Испытуемая («Аль-Мумтахана»)
61. Ряды («Ас-Сафф»)
62. Собрание («Аль-Джумуа»)
63. Лицемеры («Аль-Мунафикун»)
64. Взаимное Обделение («Аль-Тагабун»)
65. Развод («Ат-Талак»)
66.
Запрещение («Ат-Тахрим»)
67. Власть («Аль-Мульк»)
68. Письменность («Аль-Калам»)
69. Неминуемое («Аль-Хакка»)
70. Ступени («Аль-Мааридж»)
71. Ной («Нух»)
72. Гений («Аль-Джинн»)
73. Притаившийся («Аль-Муззаммиль»)
74. Исследователь («Аль-Муддаббир»)
75. Предстояние («Аль-Кийама»)
76. Человек («Аль-Инсан»)
77. Рассылка («Аль-Мурсалат»)
78. Обновление («Ан-Наба»)
79. Исторгающие («Ан-Назиат»)
80. Нахмурился («Абаса»)
81. Скручивание («Ат-Таквир»)
82. Раскалывание («Аль-Инфитар»)
83. Обвешивающие («Аль-Мутаффифин»)
84. Разверзнется («Аль-Иншикак»)
85. Созвездие («Аль-Бурудж»)
86. Пульсар («Ат-Тарик»)
87. Всевышний («Аль-Аля»)
88. Покрывающее («Аль-Гашийа»)
89. Заря («Аль-Фаджр»)
90. Страна («Аль-Балад»)
91. Солнце («Аш-Шамс»)
92. Ночь («Аль-Лейл»)
93. Зной («Ад-Духа»)
94. Раскрытие («Аль-Инширах»)
95.
Инжир («Ат-Тин»)
96. Зигота («Аль-Алак»)
97. Предопределение («Аль-Кадр»)
98. Ясное Знамение («Аль-Беййина»)
99. Сотрясение («Аз-Залзала»)
100. Скачущие («Аль-Адийат»)
101. Апокалипсис («Аль-Кариа»)
102. Стяжательство («Ат-Такасур»)
103. Предвечернее Время («Аль-Аср»)
104. Хулитель («Аль-Хумаза»)
105. Слон («Аль-Филь»)
106. Курейшиты («Курейш»)
107. Фрустрация («Аль-Маун»)
108. Изобилие («Аль-Каусар»)
109. Отрицающие («Аль-Кафирун»)
110. Помощь («Ан-Наср»)
111. Пальмовые Волокна («Аль-Масад»)
112. Искренность («Аль-Ихлас»)
113. Рассвет («Аль-Фаляк»)
114. Люди («Ан-Нас»)
Забор воды | environmentdata.org
Определение (http://en.wikipedia.org/wiki/Water_abstraction) Забор воды, добыча воды или забор подземных вод — это процесс забора воды из любого источника, либо временно или навсегда. Предпочтительные единицы измерения: Н/Д Примечание по объему: Этот термин используется для следующих терминов: Дата утверждения
Нажмите здесь, чтобы оставить отзыв об этом термине или предложить обновление. |
Большая часть воды используется для орошения или обработки для производства питьевой воды. (Википедия)
Отчеты этапа 1 для AMP3
Том первый — Река Кеннет: окончательный отчет
Том 1 (237/2/T): отчет
0
Приложение 3: план для реки Дарент: отчет совместной проектной группы NRA/TWUL
в Англии: обзор
Были ли художники-абстракционисты первыми кодировщиками? | Автор Wouter van Heeswijk, PhD
Wouter van Heeswijk, PhD
·Читать
Опубликовано в·
8 мин чтения·
8 ноября 2022 г. Абстракция вселенной? [Victory Boogie Woogie, 1942–1944, Пит Мондриан, изображение из Википедии] Кодирование можно рассматривать как искусство абстрагирование наиболее заметных закономерностей от реальности .
Такие абстракции необходимы для целей обобщения. Например, рассмотрим пример из учебника по распознаванию кошек на картинках. Обученная нейронная сеть должна уметь обнаруживать кошек даже на ранее невиданных изображениях. Это возможно только в том случае, если сеть может экстраполировать свои обучающие наблюдения.
Под капотом сеть извлекает такие признаки, как форма ушей, длина тела и т. д. Она уменьшает кошку до серия форм и атрибутов , которые также можно использовать для обнаружения пушистых кошек на новых фотографиях. Другими словами, сеть сохраняет достаточно информации, чтобы обобщить концепцию кошки, отбрасывая при этом все детали и вариации, которые ее затемняют.
Машинное обучение обычно включает в себя кодирование наблюдений реального мира в абстрактные представления, которые впоследствии могут быть расшифрованы людьми или алгоритмами [изображение Мигеля Дискарта с Flickr]Так в чем же смысл этой статьи? Откровенно говоря, амбиции довольно скромные:
- Помогите визуализировать то, что делают алгоритмы машинного обучения на интуитивном уровне
- Проиллюстрируйте несколько связей между человеческими и машинными попытками абстрагировать и реконструировать реальность
- Возможно, вызвать некоторые мысли среди практиков машинного обучения?
Отказ от ответственности: Есть много людей, которые знают об искусстве гораздо больше, чем я, поэтому я не буду претендовать на полное понимание истории искусства.
Кроме того, статья представляет собой анекдотический материал, а не результат какого-либо формального исследования, и фокусируется только на тех моментах, в которых машинное обучение и искусство, по-видимому, пересекаются. Для полноты картины я должен упомянуть, что статья посвящена европейскому искусству, оглядываясь назад не более чем на несколько сотен лет, и выделяет два движения несколько произвольно. Точно так же я не хочу слишком увязнуть в точных описаниях декодеров и алгоритмов кластеризации, поэтому «машинное обучение» будет интерпретироваться довольно свободно.
Достаточно отказов от ответственности, давайте начнем.
На протяжении многих лет художники стремились к реалистичному и точному изображению мира, доводя до мельчайших деталей каждое отражение, каждую каплю воды и каждую морщинку. В конце концов, художники начали отклоняться от этой догмы, как видно из таких движений, как импрессионизм (во главе с такими художниками, как Клод Моне и Пьер-Огюст Ренуар).
Вместо того, чтобы идеально отражать наблюдения, импрессионисты стремились передать свои интерпретация реальности, наблюдаемая на месте. Они использовали быстрые и относительно грубые мазки, чтобы запечатлеть момент, особенно непостоянный свет. Сцена на открытом воздухе ниже по-прежнему легко идентифицируема, но при этом использует на меньше «информации» для передачи реального изображения .
Le Printemps Моне (1886 г.). Хотя объект остается четко видимым, используются относительно грубые мазки, а многие детали опускаются. [изображение из Wikimedia by ] С точки зрения машинного обучения — художник использует значительно меньше информации/точек данных/функций для представления сцены. См., например, ссылку с сегментацией изображения, здесь используется Алгоритм k-средних для кластеризации соседних пикселей. Он создает более крупные фигуры, которые будут представлены одним цветом (т. е. точкой данных). Имея гораздо меньше данных, мы представляем ту же сцену, хотя и с неизбежной потерей детализации.
Давайте продолжим наше путешествие по абстракциям. De Stijl (по-голландски «Стиль» ) была группа преимущественно голландских художников, наиболее широко известными из которых, возможно, были Пит Мондриан и Геррит Ритвельд. Они были известны своим стремлением к абсолютной абстракции искусства.
Хотя для некоторых их искусство может вызывать такие утверждения, как «моя пятилетняя дочь могла бы сделать это» , каждая работа отражает глубокую критическую мысль о том, как представить мир с помощью минимума визуальных средств. Цвета — если они вообще имеют какое-то значение — это просто комбинации основных цветов, ортогональные линии, воплощения динамических напряжений. Посмотрите, например, как Мондриан размышлял над одной из своих картин:
«Если маск.
[мужской род] — вертикаль. [вертикальная] линия, то человек узнает этот элемент в восходящей линии леса; в горизонте. [горизонтальные] линии моря он увидит свое дополнение. Женщина с горизонтом. линия как элемент, видит себя в лежащих линиях моря, а свое дополнение — в вертикальной. линии леса». — Пит Мондриан, 1912 [Мондриан, — Искусство разрушения] Прежде чем мы перейдем к этому уровню абстракции, давайте на минутку рассмотрим работу Барта ван дер Лека «Де Шторм» ниже. По сравнению с реальной сценой, которую он может изобразить, он содержит очень мало деталей. Передается только минимум информации — большая желтая плоскость для пляжа, синяя для моря, фигура, которую можно интерпретировать как большую волну. Из этого мы можем сделать вывод об обстановке — две женщины, идущие по пляжу и смотрящие на бурное море.
Если бы не описание, вы бы все это получили? Вы бы определили, что это пляж, заметили бы сильные порывы ветра? Или картина — во всех своих абстракциях — уже потеряла слишком много информации?
«Де Шторм» (1916 г.
). Для изображения штормового пляжа используются только основные цвета и крупные формы. [картина Барта ван дер Лека, собрание музея Креллер-Мюллер, рисунок автора]Другой пример?
Картина ниже (также Ван дер Лек) использует минимальное количество информации. Тем не менее, мы можем идентифицировать женщину, ребенка и самолет, правда, работая только с геометрическими фигурами. Кажется, что нам нужно совсем немного информации, чтобы уловить суть мира, хотя вы можете возразить, что смысл сцены теряется.
«Vrouw met vliegtuig» (1957). Простые геометрические формы и основные цвета достаточны для представления сцены, но многое оставляют на усмотрение зрителя. [картина Барта ван дер Лека, изображение Эстер Вестервельд из WikiMedia]Время погрузиться еще глубже в абстракцию. Как и многие распознаватели изображений в машинном обучении, Тео ван Дусбург полностью исключает цвета из своей работы, сосредотачиваясь исключительно на формах и узорах.
Приведенное ниже исследование показывает, что Де Стейл не слепо рисовал какие-то линии на холсте — следы исходного вида города все еще видны в окончательной работе.
Без тега описания я сомневаюсь, что кто-то мог бы вывести эту картину, изображающую город Утрехт!
Это то, что мы видим, когда наша модель недостаточно мощна, чтобы охватить все соответствующие шаблоны, например, нейронная сеть с недостаточным количеством слоев или узлов или линейная модель, пытающаяся уловить нелинейные закономерности. Модель может захватить некоторых особенностей входных данных, но кодирование имеет недостаточное качество, чтобы правильно восстановить исходное наблюдение.
А теперь давайте посмотрим на картину Мондриана. Без сопутствующего знака, можете ли вы сделать вывод, что он представляет? Сможет ли декодер восстановить первоначальный источник вдохновения для этой работы?
Compositie in lijn (1916–1917). На этой картине Мондриана горизонтальные линии представляют морские волны, а вертикальные линии изображают пирс.
[Картина Пита Мондриана, изображение из WikiMedia]Несмотря на то, что едва ли можно интерпретировать как представление реальности, члены De Stijl все же искали большего — абстракцию, которая больше не представляет саму природу. Смотрим окончательную картину.
Compositie met groot rood vlak, geel, zwart, grijs en blauw (1921) [Картина Пита Мондриана, изображение из Википедии]Все становится все более нечетким, поскольку художник даже не пытается изобразить естественное наблюдение. Вместо этого картина стремится изобразить элементарные строительные блоки вселенной, полагаясь исключительно на разум. Прямоугольники неотцентрированы, асимметричны и динамичны, но сосуществуют в определенной гармонии. Первичных цветов достаточно, чтобы воссоздать весь спектр всего видимого нашим глазам. Неограниченные края подразумевают, что работа бесконечно расширяется за пределы картины. Сущность всей вселенной, закодированная в едином полотне прямоугольников.
Попробуйте расшифровать как .
Машинное обучение стремится вычесть обобщающие шаблоны из реальности, убирая детали и шум до тех пор, пока не будет сохранена только суть . Точно так же художники-абстракционисты, о которых говорится в этой статье, стремятся раздеть природу до тех пор, пока не останется только основная правда.
В обоих случаях вопрос заключается в том, можем ли мы — будь то люди или алгоритм декодирования — восстановить исходное наблюдение из закодированного представления. Кодировки очень эффективны для уменьшения требуемых размеров или данных. Однако, если кодировки задвинуты слишком далеко, важная информация потеряна и больше не может быть восстановлена.
Методы машинного обучения, такие как автокодировщики и PCA, пытаются кодировать наблюдения, сохраняя только их сущность. Вопрос в том, в какой степени мы можем реконструировать исходное наблюдение на основе кодирования [изображение Микелы Масси из Википедии] Поскольку алгоритмы машинного обучения часто воспринимаются как черный ящик, визуальные абстракции в этой статье могут помочь понять, что такое алгоритмы.