Artigos

17.2: modelo projetivo


A figura a seguir ilustra o mapa (P mapsto hat {P} ) descrito na seção anterior - se você tirar a foto à esquerda e aplicar o mapa (P mapsto hat P ), você obterá o imagem à direita. As fotos são conforme e modelo projetivo do plano hiperbólico, respectivamente. O mapa (P mapsto hat P ) é uma “tradução” de um para o outro.

No modelo projetivo, as coisas parecem diferentes; alguns se tornam mais simples, outras coisas se tornam mais complicadas.

Linhas

As linhas h no modelo projetivo são acordes do absoluto; mais precisamente, acordes sem seus pontos finais.

Esta observação pode ser usada para transferir afirmações sobre retas e pontos do plano euclidiano para o plano h. Como exemplo, vamos declarar uma versão hiperbólica do teorema de Pappus para o plano h.

Teorema ( PageIndex {1} ) Teorema de Pappus hiperbólico

Suponha que dois triplos de h-pontos (A ), (B ), (C ) e (A '), (B' ), (C ') no h -plano são h-colineares. Suponha que os pontos h (X ), (Y ) e (Z ) sejam definidos por

( begin {alinhados} X & = (BC ') _ h cap (B'C) _h, & Y & = (CA') _ h cap (C'A) _h, & Z & = (AB ') _ h cap (A'B) _h. End {alinhado} )

Então os pontos (X ), (Y ), (Z ) são h-colineares.

No modelo projetivo, esta afirmação segue imediatamente do teorema de Pappus original 15.6.2. O mesmo pode ser feito para o teorema de Desargues 15.6.1. O mesmo argumento mostra que a construção de uma reta tangente com uma régua apenas descrita no Exercício 15.8.2 funciona também no plano h.

Por outro lado, observe que não é nada fácil provar essa afirmação usando o modelo conforme.

Círculos e equidistantes

Os círculos h e equidistantes no modelo projetivo são certos tipos de elipses e seus arcos abertos.

Segue-se que a projeção estereográfica envia círculos no plano para círculos na esfera unitária e a projeção do ponto de apoio do círculo de volta para o plano é uma elipse. (Pode-se definir elipse como uma projeção de ponto de pé de um círculo.)

Distância

Considere um par de pontos h (P ) e (Q ). Sejam (A ) e (B ) o ponto ideal da linha h no modelo projetivo; ou seja, (A ) e (B ) são as interseções da linha euclidiana ((PQ) ) com o absoluto.

Então, pelo Lema 17.1.1,

[PQ_h = dfrac {1} {2} cdot ln dfrac {AQ cdot BP} {QB cdot PA} ]

assumindo que os pontos (A, P, Q, B ) apareçam na linha na mesma ordem.

Ângulos

As medidas dos ângulos no modelo projetivo são muito diferentes dos ângulos euclidianos e são difíceis de descobrir olhando a figura. (A ideia descrita na solução do Exercício 16.3.1 e no esboço de prova do Teorema 19.4.1 pode ser usado para construir muitas transformações projetivas deste tipo.) Por exemplo, todas as linhas h que se cruzam na imagem são perpendiculares.

Existem duas exceções úteis:

  • Se (O ) é o centro do absoluto, então [ Measangle_hAOB = Measangle AOB. ]

  • Se (O ) for o centro do absoluto e ( Measangle OAB = pm tfrac pi2 ), então

( Measangle_h OAB = Measangle OAB = pm dfrac { pi} {2}. )

Para encontrar a medida do ângulo no modelo projetivo, você pode aplicar um movimento do plano h que move o vértice do ângulo para o centro do absoluto; uma vez feito isso, os ângulos hiperbólico e euclidiano têm a mesma medida.

Movimentos

Os movimentos do plano h nos modelos conformes e projetivos são relevantes para as transformações inversivas e projetivas da mesma maneira. Nomeadamente:

  • As transformações inversas que preservam o plano h descrevem os movimentos do plano h no modelo conforme.

  • As transformações projetivas que preservam o plano h descrevem os movimentos do plano h no modelo projetivo.1

O seguinte exercício é um análogo hiperbólico do Exercício 16.5.1. Este é o primeiro exemplo de afirmação que admite uma prova mais fácil usando o modelo projetivo.

Exercício ( PageIndex {1} )

Sejam (P ) e (Q ) os pontos no plano h que se encontram à mesma distância do centro do absoluto. Observe que no modelo projetivo, o ponto médio h de ([PQ] _h ) coincide com o ponto médio euclidiano de ([PQ] _h ).

Conclua que se um triângulo h está inscrito em um círculo h, então suas medianas se encontram em um ponto.

Lembre-se de que um triângulo h também pode estar inscrito em um horociclo ou equidistante. Pense em como provar a afirmação neste caso.

Dica

A observação segue uma vez que a reflexão através da bissetriz perpendicular de ([PQ] ) é um movimento do plano euclidiano, e um movimento do plano h também. Sem perda de generalidade, podemos supor que o centro da circunferência coincide com o centro do absoluto. Neste caso, as h-medianas do triângulo coincidem com as medianas euclidianas. Resta aplicar o Teorema 8.3.1.

Exercício ( PageIndex {2} )

Sejam ( ell ) e (m ) linhas h no modelo projetivo. Sejam (s ) e (t ) denotar as retas euclidianas tangentes ao absoluto nos pontos ideais de ( ell ). Mostre que se as linhas (s ), (t ) e a extensão de (m ) se cruzam em um ponto, então ( ell ) e (m ) são linhas h perpendiculares.

Dica

Sejam ( hat { ell} ) e ( hat {m} ) denotar as linhas h no modelo conforme que correspondem a ( ell ) e (m ). Precisamos mostrar que ( hat { ell} perp hat {m} ) como arcos no plano euclidiano.

O ponto (Z ), onde (s ) encontra (t ), é o centro do círculo ( Gamma ) contendo ( hat { ell} ).

Se ( hat {m} ) está passando por (Z ), então a inversão em ( Gamma ) troca os pontos ideais de ( hat { ell} ). Em particular, ( hat { ell} ) mapeia para si mesmo. Daí o resultado.

Exercício ( PageIndex {3} )

Use o modelo projetivo para derivar a fórmula do ângulo de paralelismo (Proposição 13.1.1).

Dica

Seja (Q ) o ponto de apoio de (P ) na reta e ( varphi ) o ângulo de paralelismo. Podemos assumir que (P ) é o centro do absoluto. Portanto (PQ = cos varphi ) e

(PQ_h = dfrac {1} {2} cdot ln dfrac {1 + cos varphi} {1 - cos varphi}. )

Exercício ( PageIndex {4} )

Use o modelo projetivo para encontrar o raio do triângulo ideal.

Dica

Aplique o Exercício ( PageIndex {3} ) para ( varphi = dfrac { pi} {3} ).

O modelo projetivo do plano h pode ser usado para dar outra prova do teorema hiperbólico de Pitágoras (Teorema 13.6.1).

Primeiro, vamos relembrar sua declaração:

[ cosh c = cosh a cdot cosh b, ]

onde (a = BC_h ), (b = CA_h ), e (c = AB_h ) e ( triângulo_hACB ) é um triângulo h com ângulo reto em (C ).

Observe que podemos assumir que (A ) é o centro do absoluto. Defina (s = BC ), (t = CA ), (u = AB ). De acordo com o teorema Euclidiano de Pitágoras (Teorema 6.2.1), temos

[u ^ 2 = s ^ 2 + t ^ 2. ]

Resta expressar (a ), (b ) e (c ) usando (s ), (u ) e (t ) e mostrar que 17.2.3 implica 17.2. 2

Exercício avançado ( PageIndex {5} )

Conclua a prova do teorema hiperbólico de Pitágoras (Teorema 13.6.1) indicado acima.

Dica

Observe que (b = dfrac {1} {2} cdot ln dfrac {1 + t} {1 - t} ), portanto,

[ cosh b = dfrac {1} {2} cdot ( sqrt { dfrac {1 + t} {1 - t}} + sqrt { dfrac {1 - t} {1 + t}} ) = dfrac {1} { sqrt {1 - t ^ 2}}. ]

Da mesma forma que obtemos isso

[ cosh c = dfrac {1} { sqrt {1 - u ^ 2}}. ]

Sejam (X ) e (Y ) os pontos ideais de ((BC) _h ). Aplicando o teorema de Pitágoras (Teorema 6.2.1) novamente, obtemos que (CX = CY = sqrt {1 - t ^ 2} ). Portanto,

(a = dfrac {1} {2} cdot ln dfrac { sqrt {1 - t ^ 2} + s} { sqrt {1 - t ^ 2} - s}, )

e

[ cosh a = dfrac {1} {2} cdot ( dfrac { sqrt {1 - t ^ 2} + s} { sqrt {1 - t ^ 2} - s} + dfrac { sqrt {1 - t ^ 2} - s} { sqrt {1 - t ^ 2} + s}) = dfrac { sqrt {1 - t ^ 2}} { sqrt {1 - t ^ 2 - s ^ 2}} = dfrac { sqrt {1 - t ^ 2}} { sqrt {1 - u ^ 2}}. ]

Finalmente, observe que 17.2.5, 17.2.6 e 17.2.7 implicam o teorema.


Introdução à Ciência de Dados

Este teste de triagem é 99% preciso na detecção de alguma condição.

Este algoritmo detecta transações fraudulentas de cartão de crédito com uma precisão de 99%.

Ambas as afirmações parecem muito boas, mas não devemos parar por aí, mas sim fazer mais perguntas.

Qual é a medida em que a qualidade do teste está sendo avaliada e relatada? E quanto a outras medidas?

Qual é o desempenho de linha de base e o desempenho de algoritmos alternativos?

Três perguntas-chave a serem feitas antes de tentar prever qualquer coisa:

Como é o desempenho ou sucesso preditivo avaliado?

O que é linha de base desempenho e o desempenho de alternativas benchmarks?

Distinguir entre diferentes previsões tarefas e a medidas usado para avaliar o sucesso:

1. Dois princípios preditivos tarefas: classificação vs. previsões de pontos

2. Diferente medidas para avaliar (quantificar) a qualidade das previsões

Nota: É tentador ver as tarefas de classificação e as tarefas quantitativas como dois tipos de previsões “qualitativas” vs. “quantitativas”. No entanto, isso seria enganoso, pois qualitativo as previsões também são avaliadas em um quantitativo moda. Assim, preferimos distinguir entre diferentes tarefas, em vez de diferentes tipos de previsão.

17.2.1 Tipos de tarefas

ad 1A: dois tipos de tarefas preditivas

qualitativo tarefas de previsão: tarefas de classificação. Objetivo principal: Prever a adesão em alguma categoria.
Objetivo secundário: Avaliação por uma matriz 2x2 de casos previstos vs. verdadeiros (com 2 casos corretos e 2 erros).

quantitativo tarefas de previsão: previsões de pontos com resultados numéricos. Objetivo principal: Prever algum valor em uma escala.
Objetivo secundário: Avaliação pela distância entre os valores previstos e verdadeiros.

Nota: Alguns autores (por exemplo, em 7 modelos de adaptação com pastinaga de modelagem arrumada com R) distinguem entre diferentes modos. O modo reflete o tipo de resultado da previsão. Para resultados numéricos, o modo é regressão para resultados qualitativos, é classificação.

17.2.2 Avaliando o sucesso preditivo

ad 1B: Dada alguma previsão, como o sucesso preditivo é avaliado (quantificado)?

Lembre-se do exemplo anterior do problema de mamografia: O rastreamento tem alta sensibilidade e especificidade, mas baixo VPP.

Observe que - para todos os tipos de previsão - sempre há compensações entre muitas alternativas medidas para quantificar seu sucesso. Maximizar apenas um deles pode ser perigoso e enganoso.

17.2.3 Desempenho de linha de base e outros benchmarks

ad 2. À primeira vista, a instrução “Prever o fenômeno de interesse com alta precisão. ” parece uma resposta razoável para a pergunta "O que caracteriza um algoritmo preditivo bem-sucedido?"
No entanto, a alta precisão não é muito impressionante se a linha de base já for bastante alta. Por exemplo, se chover em apenas 10% de todos os dias de verão em alguma região, sempre prevendo “sem chuva” alcançará uma precisão de 90%.

Isso parece trivial, mas considere os exemplos acima de detecção de alguma condição médica ou transações fraudulentas com cartão de crédito: Para uma condição médica rara, um pseudo-teste falso que sempre diz que “saudável” alcançaria uma precisão impressionante. Da mesma forma, se mais de 99% de todas as transações com cartão de crédito forem legítimas, sempre prever que "a transação está ok" alcançaria uma precisão de mais de 99% ...

Portanto, devemos sempre nos perguntar:

Qual é a referência mais baixa possível (por exemplo, para previsões aleatórias)?

Que níveis podem ser alcançados por previsões ingênuas ou muito simples?

Como a perfeição é normalmente impossível, precisamos decidir o quão melhor nossa regra precisa ser do que algoritmos alternativos. Para esta última avaliação, é importante conhecer a competição.


Oracle & reg Data Miner

Este documento fornece as informações mais recentes e informações que ainda não fazem parte da documentação formal.

Este documento contém os seguintes tópicos:

Novos recursos no Oracle Data Miner

Recursos do Oracle Data Mining

Os novos recursos do Oracle Data Mining incluem:

Métricas de agregação do modelo de associação

O Oracle Data Miner 17.2 oferece suporte ao algoritmo de Regras de Associação aprimorado e permite ao usuário filtrar itens antes de construir o modelo de Associação.

O usuário pode definir os filtros no editor do nó Association Build, no visualizador do modelo Association e no editor do nó Model Details.

Melhorias nas configurações de algoritmo

O Oracle Data Miner 17.2 foi aprimorado para oferecer suporte a aprimoramentos no Oracle Data Mining que incluem configurações de construção para construir modelos de partição, amostragem de dados de treinamento, preparação de dados numéricos que inclui mudanças de escala e mudança, e assim por diante.

Essas configurações estão disponíveis se o Oracle Data Miner 17.2 estiver conectado ao Oracle Database 12.2.

As alterações nos algoritmos incluem:

Mudanças nas configurações do algoritmo da árvore de decisão

A configuração Máximo de categorias supervisionadas CLAS_MAX_SUP_BINS é adicionada ao algoritmo da árvore de decisão.

Mudanças nas configurações do algoritmo de maximização da expectativa

A configuração Nível de detalhes substitui a configuração atual Gather Cluster Statistics.

A configuração do algoritmo subjacente usada é EMCS_CLUSTER_STATISTICS onde All = ENABLE e Hierarchy = DISABLE. Algumas configurações adicionais foram adicionadas e outras foram descontinuadas.

Cálculo aproximado ODMS_APPROXIMATE_COMPUTATION

Alterações nas configurações de algoritmo de modelos lineares generalizados

As seguintes alterações estão incluídas nas configurações do algoritmo do modelo linear generalizado. As alterações se aplicam a modelos de classificação e modelos de regressão.

Tolerância de convergência GLMS_CONV_TOLERANCE

Número de Iterações GLMS_NUM_ITERATIONS

Linhas em lote GLMS_BATCH_ROWS

Sparse Solver GLMS_SPARSE_SOLVER

Cálculo aproximado ODMS_APPROXIMATE_COMPUTATION

Tratamento de preditor categórico GLMS_SELECT_BLOCK

Amostragem para identificação de recurso GLMS_FTR_IDENTIFICATION

Aceitação de recurso GLMS_FTR_ACCEPTANCE

Mudanças nas configurações do algoritmo k -Means

As seguintes alterações são incorporadas às configurações do algoritmo k -Means.

Níveis de detalhes KMNS_DETAILS

Sementes Aleatórias KMNS_RANDOM_SEEDS

Mudanças nas configurações do algoritmo de máquina de vetor de suporte

As seguintes alterações estão incluídas nas configurações do algoritmo da Máquina de vetores de suporte. As alterações são aplicáveis ​​às funções de kernel Linear e Gaussiana.

Número de Iterações SVMS_NUM_ITERATIONS

Lote de linhas SVMS_BATCH_ROWS

Aplica-se apenas à função do kernel gaussiano.

Aplica-se apenas à função do kernel gaussiano.

Alterações nas configurações de algoritmo de decomposição de valor singular e análise de componentes principais

As seguintes alterações estão incluídas no algoritmo de decomposição de valores singulares e análise de componentes principais.

Semente aleatória SVDS_RANDOM_SEED

Sobre a amostragem SVDS_OVER_SAMPLING

Iteração de energia SVDS_POWER_ITERATION

Cálculo aproximado ODMS_APPROXIMATE_COMPUTATION

Suporte para algoritmo de análise semântica explícita

O Oracle Data Miner 17.2 oferece suporte a um novo algoritmo de extração de recursos denominado algoritmo de análise semântica explícita.

O algoritmo é suportado por dois novos nós, que são o nó Explicit Feature Extraction e o nó Feature Compare.

Nó de extração de recurso explícito

O nó Explicit Feature Extraction é construído usando o algoritmo Explicit Semantic Analysis.

Cálculos relacionados à semântica

Nó de comparação de recursos

O nó Feature Compare permite que você execute cálculos relacionados à semântica em dados de texto, contidos em um nó Data Source em relação a outro nó Data Source.

Duas fontes de dados de entrada. A fonte de dados pode ser um fluxo de dados de registros, como conectado por um nó de fonte de dados ou um único registro de dados inserido pelo usuário dentro do nó. No caso de dados inseridos por usuários, o provedor de dados de entrada não é necessário.

Uma entrada Feature Extraction ou Explicit Feature Extraction Model, onde um modelo pode ser selecionado para cálculos relacionados à semântica.

Aprimoramento da visualização de detalhes do modelo de mineração de dados

Os visualizadores de modelo no Oracle Data Miner 17.2 foram aprimorados para refletir as mudanças no Oracle Data Mining.

As melhorias para os visualizadores de modelo incluem o seguinte:

As configurações calculadas dentro do modelo são exibidas na guia Configurações do visualizador do modelo.

A nova visualização de dicionário de transformação incorporada pelo usuário é integrada à guia Entradas em Configurações.

Os dados de detalhes da construção são exibidos na guia Resumo em Resumo

O visualizador de modelo de cluster detecta modelos com detalhes parciais e exibe uma mensagem indicando isso. Isso também se aplica ao visualizador de modelo k-Means e aos visualizadores de modelo de Maximização de expectativa.

Aprimoramentos para filtrar o nó da coluna

O Oracle Data Mining oferece suporte à classificação não supervisionada de Importância de Atributo. A classificação de Importância de Atributo de uma coluna é gerada sem a necessidade de selecionar uma coluna de destino. O nó Coluna de filtro foi aprimorado para suportar classificação de importância de atributo não supervisionada.

Alertas de construção de modelo de mineração

O Oracle Data Miner registra alertas relacionados a construções de modelo nos visualizadores de modelo e logs de eventos.

Visualizadores de modelo: Os alertas de construção são exibidos na guia Alertas.

Log de eventos: todos os alertas de construção são exibidos junto com outros detalhes, como nome do trabalho, nó, subnó, hora e mensagem.

Nó de modelo de construção R

O Oracle Data Mining fornece o recurso para adicionar implementações de modelo R na estrutura do Oracle Data Mining. Para oferecer suporte à integração do modelo R, o Oracle Data Miner foi aprimorado com um novo nó R Build com funções de mineração como Classificação, Regressão, Clustering e Extração de Recurso.

Suporte para modelos particionados

O Oracle Data Miner oferece suporte à construção e teste de modelos particionados.

Recursos do Oracle Data Miner

Os novos recursos do Oracle Data Miner incluem:

Suporte de nó de agregação para tipos de dados DATE e TIMESTAMP

O nó de agregação foi aprimorado para suportar os tipos de dados DATE e TIMESTAMP.

Para os tipos de dados DATE e TIMESTAMP, as funções disponíveis são COUNT (), COUNT (DISTINCT ()), MAX (), MEDIAN (), MIN (), STATS_MODE ().

Aprimoramento para JSON Query Node

O nó JSON Query permite especificar condições de filtro em atributos com tipos de dados como ARRAY, BOOLEAN, NUMBER e STRING.

JSON Unnest & mdash Aplica filtro a dados JSON que são usados ​​para projeção em formato de dados relacionais.

Agregações e mdash Aplica filtros a dados JSON usados ​​para agregação.

JSON Unnest e Aggregations & mdash Aplica filtro a ambos.

Aprimoramento para construir nós

Todos os nós Build são aprimorados para dar suporte à amostragem de dados de treinamento e preparação de dados numéricos.

O aprimoramento é implementado na guia Amostragem em todos os editores de nós de construção. Por padrão, a opção Sampling é definida como OFF. Quando definido como ON, o usuário pode especificar o tamanho da linha de amostra ou escolher as configurações determinadas pelo sistema.

A preparação de dados não é compatível com o modelo Association Build.

Editar Nó de Detecção de Anomalia

Editar nó de construção de associação

Editar nó de construção de classificação

Editar nó de construção de clustering

Editar nó de compilação de extração de recurso explícito

Editar nó de compilação de extração de recurso

Editar Nó de Compilação de Regressão

Aprimoramento das configurações de texto

As configurações de texto foram aprimoradas para oferecer suporte aos seguintes recursos:

Suporte de texto para sinônimos (dicionário de sinônimos): Text Mining no Oracle Data Miner oferece suporte para sinônimos. Por padrão, nenhum dicionário de sinônimos é carregado. O usuário deve carregar manualmente o dicionário de sinônimos padrão fornecido pelo Oracle Text ou fazer upload de seu próprio dicionário de sinônimos.

Novas configurações adicionadas na guia Texto:

Número mínimo de linhas (documentos) necessário para um token

Número máximo de tokens em todas as linhas (documentos)

Novos tokens adicionados para a configuração BIGRAM:

BIGRAM: aqui, tokens NORMAL são misturados com seus bigramas

STEM BIGRAM: aqui, os tokens STEM são extraídos primeiro e, em seguida, os bigramas de tronco são formados.

Atualizar definição de dados de entrada

Use a opção Atualizar definição de dados de entrada se desejar atualizar o fluxo de trabalho com novas colunas, que são adicionadas ou removidas.

A opção Atualizar definição de dados de entrada está disponível como uma opção de menu de contexto nos nós de fonte de dados e nós de consulta SQL.

Suporte para tipos de dados adicionais

O Oracle Data Miner permite os seguintes tipos de dados para entrada como colunas em um nó de fonte de dados e como novas colunas computadas dentro do fluxo de trabalho:

Suporte para coluna na memória

O Oracle Data Miner oferece suporte ao In-Memory Column Store (IM Column Store) no Oracle Database 12.1.0.2 e posterior, que é um pool SGA estático opcional que armazena cópias de tabelas e partições em um formato colunar especial.

O Oracle Data Miner foi aprimorado para oferecer suporte à coluna In-Memory em nós em um fluxo de trabalho. Para configurações de Coluna na memória, as opções para definir Método de compactação de dados e Nível de prioridade estão disponíveis na caixa de diálogo Editar configurações de desempenho do nó.

Suporte para agendamento de fluxo de trabalho

O Oracle Data Miner 17.2 oferece suporte ao recurso para agendar fluxos de trabalho para execução em uma data e hora definidas.

Um fluxo de trabalho programado está disponível apenas para visualização. A opção de cancelar um fluxo de trabalho agendado está disponível. Depois de cancelar um fluxo de trabalho agendado, o fluxo de trabalho pode ser editado e reprogramado.

Aprimoramento do desempenho de pesquisas

O desempenho da pesquisa e a funcionalidade de utilização de recursos foram aprimorados com novas interfaces de usuário.

Quando POLLING_IDLE_ENABLED é definido como TRUE, a consulta automática para status do fluxo de trabalho é definida. Quando POLLING_IDLE_ENABLED é definido como FALSE, a consulta manual é definida.

Foi adicionada uma nova janela encaixável Fluxo de trabalho agendado que exibe a lista de trabalhos agendados e permite ao usuário gerenciar os trabalhos agendados.

Atualização manual de trabalhos de fluxo de trabalho.

Substituição administrativa de atualizações automáticas por meio das configurações do repositório do Oracle Data Miner.

Acesso às preferências de Trabalhos de fluxo de trabalho por meio da nova opção Configurações.

Melhoria de desempenho de sondagem de status de fluxo de trabalho

O desempenho da pesquisa de status do fluxo de trabalho foi aprimorado.

O aprimoramento inclui novas visualizações do repositório, propriedades do repositório e alterações na interface do usuário:

A visualização do repositório ODMR_USER_WORKFLOW_ALL_POLL foi incluída para pesquisa de status do fluxo de trabalho.

As seguintes propriedades de repositório foram adicionadas:

POLLING_IDLE_RATE: Determina a taxa em que o cliente pesquisará o banco de dados quando não houver fluxos de trabalho detectados como em execução.

POLLING_ACTIVE_RATE: Determina a taxa na qual o cliente pesquisará o banco de dados quando houver fluxos de trabalho detectados em execução.

Quando POLLING_IDLE_ENABLED é definido como TRUE, a consulta automática para o status do fluxo de trabalho é definida. Quando POLLING_IDLE_ENABLED é definido como FALSE, a consulta manual é definida.

POLLING_COMPLETED_WINDOW: Determina o tempo necessário para incluir fluxos de trabalho concluídos no resultado da consulta de sondagem.

PURGE_WORKFLOW_SCHEDULER_JOBS: Limpa objetos antigos do Oracle Scheduler gerados pela execução de fluxos de trabalho do Data Miner.

PURGE_WORKFLOW_EVENT_LOG: controla quantas execuções de fluxo de trabalho são preservadas para cada fluxo de trabalho no log de eventos. Os eventos do fluxo de trabalho mais antigo são eliminados para se manter dentro do limite.

A nova interface do usuário inclui a janela Scheduled Jobs, que pode ser acessada a partir da opção Data Miner no menu Ferramentas e no menu Exibir no SQL Developer 17.2.

Recursos do banco de dados Oracle

O novo recurso de banco de dados Oracle inclui suporte para nome de objeto expandido.

Suporte para nome de objeto expandido

O suporte para nome de esquema, nome de tabela, nome de coluna e sinônimo de 128 bytes está disponível na próxima versão do banco de dados Oracle. Para oferecer suporte ao banco de dados Oracle, visualizações de repositório do Oracle Data Miner, tabelas, esquema XML e pacotes PL / SQL são aprimorados para oferecer suporte a nomes de 128 bytes.

Plataformas Suportadas

Pré-requisitos para Oracle Data Miner 17.2

  1. Instale o SQL Developer 17.2 em seu sistema.
  2. Acesso seguro a um banco de dados Oracle:
    • Versão mínima: Oracle Database 11.2.0.4 Enterprise Edition, com a opção Data Mining.
    • Versão preferida: Oracle Database 12.2 Enterprise Edition.
  3. Crie uma conta de usuário de banco de dados para mineração de dados.
  4. Crie uma conexão de banco de dados no SQL Developer para o usuário Oracle Data Miner.
  5. Instale o repositório do Oracle Data Miner.

O esquema de amostra SH não é fornecido com o Oracle Database 12.2. Para instalar o esquema de amostra, acesse https://github.com/oracle/db-sample-schemas.

Problemas e limitações conhecidos

Problemas conhecidos e limitações nesta versão incluem:

O nó Association Model Build não pode consumir dados vindos diretamente do nó JSON Query.

Os usuários devem persistir os dados provenientes do nó JSON Query por meio do nó Criar Tabela e, em seguida, usar os dados persistentes como entrada para o nó Construir Modelo Associado.

Os nós de classificação e os nós de construção de modelo de regressão são incapazes de consumir dados vindos diretamente do nó de consulta JSON se as agregações JSON (com subgrupo por) forem definidas.

Os usuários devem persistir os dados vindos do nó JSON Query por meio do nó Criar Tabela e, em seguida, usar os dados persistentes como entrada para esses nós Build.

Os nós de construção podem consumir dados vindos diretamente dos nós de consulta JSON se as agregações JSON (sem subgrupo por) não estiverem definidas.

Definir a consulta paralela para um nó que consulta dados JSON pode resultar em um erro de tempo de execução do fluxo de trabalho. As consultas JSON falharão se forem executadas com o banco de dados Parallel Query definido como ON. A seguinte mensagem de erro é exibida ORA-12805: O servidor Parallel Query morreu inesperadamente.

O menu de contexto do Nó tem a opção de definir Consulta Paralela. Clique em Consulta paralela e selecione os nós para definir as configurações paralelas.

O visualizador Exibir Dados fornece a opção de definir Consulta Paralela como ATIVADA ao consultar os Nós de Dados selecionados.

Em ambos os casos, o erro ocorre e a mesma mensagem de erro é exibida.

Solicite o patch do Oracle Database 12.1.0.2 por meio do Suporte Oracle.

Você pode ignorar essas mensagens de erro durante a instalação do Oracle Data Miner 17.2, se nenhuma exceção for gerada.

Correções de bugs

O Oracle Data Miner 17.2 tem 122 bugs corrigidos.

Acessibilidade da documentação

Para obter informações sobre o compromisso da Oracle com a acessibilidade, visite o site do Programa de Acessibilidade da Oracle em http://www.oracle.com/pls/topic/lookup?ctx=acc&id=docacc.

Os clientes Oracle que adquiriram suporte têm acesso ao suporte eletrônico por meio do My Oracle Support. Para obter informações, visite http://www.oracle.com/pls/topic/lookup?ctx=acc&id=info ou visite http://www.oracle.com/pls/topic/lookup?ctx=acc&id=trs se você são deficientes auditivos.

Oracle & reg Data Miner Release Notes, Release 17.2

Copyright & copy 2016, 2017, Oracle e / ou suas afiliadas. Todos os direitos reservados.

Este software e a documentação relacionada são fornecidos sob um contrato de licença que contém restrições de uso e divulgação e são protegidos por leis de propriedade intelectual. Exceto conforme expressamente permitido em seu contrato de licença ou permitido por lei, você não pode usar, copiar, reproduzir, traduzir, transmitir, modificar, licenciar, transmitir, distribuir, exibir, executar, publicar ou exibir qualquer parte, em qualquer forma, ou por qualquer meio. É proibida a engenharia reversa, desmontagem ou descompilação deste software, a menos que exigido por lei para interoperabilidade.

As informações contidas neste documento estão sujeitas a alterações sem aviso prévio e não são garantidas como isentas de erros. Se você encontrar algum erro, informe-nos por escrito.

Se este for um software ou documentação relacionada entregue ao Governo dos Estados Unidos ou a qualquer pessoa que o esteja licenciando em nome do Governo dos Estados Unidos, o seguinte aviso será aplicável:

USUÁRIOS FINAIS DO GOVERNO DOS EUA: Os programas Oracle, incluindo qualquer sistema operacional, software integrado, quaisquer programas instalados no hardware e / ou documentação, entregues aos usuários finais do Governo dos EUA são "software de computador comercial" de acordo com o Regulamento de Aquisição Federal aplicável e agência- regulamentos suplementares específicos. Como tal, o uso, duplicação, divulgação, modificação e adaptação dos programas, incluindo qualquer sistema operacional, software integrado, quaisquer programas instalados no hardware e / ou documentação, estarão sujeitos aos termos de licença e restrições de licença aplicáveis ​​aos programas . Nenhum outro direito é concedido ao Governo dos Estados Unidos.

Este software ou hardware foi desenvolvido para uso geral em uma variedade de aplicativos de gerenciamento de informações. Ele não foi desenvolvido ou se destina ao uso em quaisquer aplicações inerentemente perigosas, incluindo aplicações que podem criar risco de ferimentos pessoais. Se você usar este software ou hardware em aplicativos perigosos, será responsável por tomar todas as medidas apropriadas à prova de falhas, backup, redundância e outras medidas para garantir seu uso seguro. A Oracle Corporation e suas afiliadas se isentam de qualquer responsabilidade por quaisquer danos causados ​​pelo uso deste software ou hardware em aplicativos perigosos.

Oracle e Java são marcas registradas da Oracle e / ou de suas afiliadas. Outros nomes podem ser marcas registradas de seus respectivos proprietários.

Intel e Intel Xeon são marcas comerciais ou marcas registradas da Intel Corporation. Todas as marcas comerciais SPARC são usadas sob licença e são marcas comerciais ou marcas registradas da SPARC International, Inc. AMD, Opteron, o logotipo AMD e o logotipo AMD Opteron são marcas comerciais ou marcas registradas da Advanced Micro Devices. UNIX é uma marca registrada do The Open Group.

Este software ou hardware e documentação podem fornecer acesso ou informações sobre conteúdo, produtos e serviços de terceiros. A Oracle Corporation e suas afiliadas não são responsáveis ​​e expressamente se isentam de todas as garantias de qualquer tipo com relação a conteúdo, produtos e serviços de terceiros, a menos que de outra forma estabelecido em um contrato aplicável entre você e a Oracle. A Oracle Corporation e suas afiliadas não serão responsáveis ​​por quaisquer perdas, custos ou danos incorridos devido ao seu acesso ou uso de conteúdo, produtos ou serviços de terceiros, exceto conforme estabelecido em um contrato aplicável entre você e a Oracle.


Introdução à Ciência de Dados

Os modelos básicos de agentes e ambientes discutidos no capítulo anterior (consulte o Capítulo 16 sobre Simulações dinâmicas) foram normalmente desenvolvidos para indivíduos. Por exemplo, a estrutura de aprendizagem por reforço (RL, ou a classe mais geral de Processos de Decisão de Markov, MDPs) permite que um agente aprenda uma estratégia que maximize alguma recompensa em um ambiente estável. As opções neste ambiente podem ser estocásticas (por exemplo, um bandido multi-armado, MAB). Desde que o agente tenha tempo suficiente para explorar todas as opções, o agente tem a garantia de encontrar a melhor opção. No entanto, se os aspectos fundamentais do ambiente mudarem (por exemplo, adicionando opções ou alterando suas funções de recompensa), um agente de aprendizagem pode não convergir mais para a melhor opção.

Situações sociais normalmente mudam um ambiente de várias maneiras. Dependendo dos detalhes da interação agente-ambiente (por exemplo, como as recompensas são distribuídas), eles podem introduzir competição entre agentes, oportunidades de cooperação e novos tipos de informação e aprendizagem. Por exemplo, o sucesso de qualquer estratégia de agente particular pode depender crucialmente das estratégias de outros agentes. Assim, permitindo que outros agentes questionem muitos resultados que valem para situações individuais e exigem tipos adicionais de modelos e modelagem.

Neste capítulo, apresentamos três paradigmas básicos de modelagem de situações sociais:

17.2.1 Jogos

A disciplina científica de teoria do jogo tem pouca semelhança com jogos infantis, mas em vez disso, estuda modelos matemáticos de interações estratégicas entre tomadores de decisão racionais (ver Wikipedia). Em uma linha semelhante, a Stanford Encyclopedia of Philosophy define teoria do jogo Como

... o estudo das maneiras pelas quais escolhas de interação do agentes econômicos
produzir desfechos com respeito ao preferências (ou Serviços de utilidade pública) desses agentes,
onde os resultados em questão podem ter sido pretendidos por nenhum dos agentes.

Ross (2019)

O artigo acrescenta imediatamente que o significado desta definição requer uma compreensão dos conceitos em itálico (e fornece esses detalhes no artigo correspondente). Para nós, é interessante que os jogos se expressem em termos de trocas econômicas, envolvendo agentes que perseguem seus objetivos, mas podem obter resultados que também dependem dos objetivos e ações de outros agentes.

Podemos definir um jogos como uma matriz de pagamento que mostra as opções e recompensas correspondentes para seus jogadores (em termos de pontos ganhos ou perdidos para cada combinação de resultados).

Um dos jogos mais simples possíveis é ilustrado pela Tabela 17.1. No centavos combinando (MP), dois jogadores cada um seleciona um lado de uma moeda (ou seja, cara H ou coroa T). Um jogador vence se ambos os lados combinarem, o outro jogador vence sempre que os dois lados forem diferentes. A matriz de pagamento mostrada na Tabela 17.1 ilustra as opções do Jogador 1 como filas e o primeiro valor de pagamento em cada célula, enquanto as opções do Jogador 2 são mostradas como colunas e os segundos valores de recompensa. Assim, o Jogador 1 ganha um ponto ( (+ 1 )) e o Jogador 2 perde um ponto ( (- 1 )) sempre que ambos os jogadores selecionaram o mesmo lado de suas moedas (“HH” ou “TT”). O jogador 2 ganha um ponto ( (+ 1 )) e o jogador 1 perde um ponto ( (- 1 )) sempre que ambos os jogadores selecionados diferente lados de suas moedas (“HT” ou “TH”).

Tabela 17.1: A matriz de payoff do centavos combinando jogos.
Opções H T
H ((+1, -1)) ((-1, +1))
T ((-1, +1)) ((+1, -1))

Ganhar um jogo pode corresponder a maximizar a recompensa individual em um jogo ou ganhar mais recompensa do que outros jogadores do mesmo jogo. Como o resultado de qualquer jogo pode ser altamente dependente de fatores de chance, o sucesso de uma estratégia de jogo é tipicamente avaliado em instâncias repetidas do mesmo jogo. O objetivo de maximizar as próprias recompensas pode criar dilemas ao contrastar diferentes níveis de agregação (por exemplo, jogos únicos vs. repetidos ou ganhos individuais vs. da população).

Os jogos podem ser classificados em tipos, comparando as funções de recompensa dos jogadores. Os tipos de jogos mais importantes são:

soma zero ou puro competitivo jogos: as vitórias de alguns jogadores correspondem às perdas de outros jogadores, de modo que o total de todas as recompensas somam zero (0).

interesse comum, idêntico ou simétrico jogos: todos os jogadores têm a mesma função de recompensa

jogos de soma geral: Uma categoria abrangente para outros jogos (ou seja, não de outros tipos).

Observe que essas categorias não são mutuamente exclusivas. Por exemplo, o jogo de combinar centavos (mostrado na Tabela 17.1) é um jogo simétrico, puramente competitivo, de soma zero. Se a vitória de um jogador não correspondesse à perda do outro jogador (por exemplo, todos os payoffs de (- 1 ) foram substituídos por payoffs de (0 )), o jogo não é mais um jogo de soma zero, mas ainda assim seria ser um jogo simétrico de interesse comum.

Para fornecer um contraste com o jogo de moedas de um centavo de correspondência competitiva, a Tabela 17.2 mostra um jogo de coordenação. Como os dois jogadores ainda têm pagamentos idênticos, este é um jogo simétrico de interesse comum em que ambos os jogadores ganham ao escolher o mesmo lado de suas moedas. Observe que há dois máximos locais diferentes neste jogo: Desde que ambas as opções correspondam, nenhum jogador está motivado a alterar sua escolha. A noção de usar a melhor resposta dada as escolhas atuais de outros jogadores é um conceito de solução importante na teoria dos jogos, conhecido como o equilíbrio de Nash (NE). No jogo de coordenação definido pela Tabela 17.2, os payoffs para TT são maiores do que para HH, mas se um jogador tiver motivos para supor que o oponente escolherá H, então selecionar H é melhor do que insistir em T.

Tabela 17.2: A matriz de payoff de um coordenação jogos.
Opções H T
H ((1, 1)) ((0, 0))
T ((0, 0)) ((2, 2))

Veja Nowé, Vrancx, & amp De Hauwere (2012), para as matrizes de payoff e descrições de tipos adicionais de jogos. (Iremos abordar o dilema do Prisioneiro, PD e o Batalha dos sexos, BoS, jogo no Exercício 17.4.2.)

Os jogos podem ser ainda caracterizados pela ordem de jogo (ou seja, se os jogadores fazem sequencial vs. simultâneo movimentos) e pelos desafios que representam para seus jogadores (por exemplo, competitivo vs. coordenação jogos). A maioria dos jogos pressupõe algum entendimento equilibrado e compartilhado dos objetivos e regras de um jogo (por exemplo, todos os jogadores podem saber suas próprias opções e recompensas, ou mesmo saber a matriz de recompensa completa). No entanto, diferentes jogos e diferentes versões do mesmo jogo podem diferir substancialmente na transparência das ações, recompensas e estratégias dos jogadores.

Um aspecto-chave em jogos de modelagem diz respeito a cada jogador conhecimento dos objetivos, ações e recompensas de outros jogadores. Da perspectiva de um modelador, devemos estar cientes de qual aspecto de uma situação potencialmente complexa está sendo tratada por um modelo. Essencialmente, isso se resume a perguntar: Qual questão de pesquisa está sendo abordada pela modelagem deste jogo?

Modelando um jogo

Dada nossa experiência em modelar agentes e ambientes dinâmicos (do Capítulo 16), podemos não precisar de nenhuma nova ferramenta para modelar jogos estratégicos. Da perspectiva de um jogador (por exemplo, um agente RL), a estratégia e o comportamento de outros jogadores fazem parte do ambiente.

Para fazer algo mais interessante, adotaremos uma simulação criada por Wataru Toyokawa (que pode ser encontrada aqui). Isso será um pouco desafiador, mas estenda nossos modelos anteriores de três maneiras úteis:

Em vez de simular os encontros repetidos de dois indivíduos, simularemos uma população espacial de agentes em um desenho de rede / toro.

Em vez de usar nosso modelo básico de aprendizado da Seção 16.2.1, implementamos um modelo de aprendizado mais sofisticado: Um modelo de aprendizado Q epsilon ganancioso, que usa um critério softmax para escolher opções.

Dado que estamos simulando uma população espacialmente organizada de agentes ao longo do tempo, visualizaremos suas escolhas como uma animação.

Metodologicamente, a extensão de agentes individuais para uma população inteira de agentes de aprendizagem também motiva algumas estruturas de dados tridimensionais (ou seja, matrizes) que fornecem slots para cada agente / jogador (p ) e intervalo de tempo (t )).

Configuração básica

  1. Parâmetros de simulação:
  • simulando uma população de indivíduos, dispostos em quadrados (o chamado treliça ou toro)

Ideia básica: Aproximar a dinâmica de um grande sistema (idealmente infinito) simulando uma grade espacial de suas partes.

Em cada rodada, cada indivíduo joga contra seus 8 vizinhos (definidos como compartilhando um lado ou um canto com o indivíduo focal).

Condição limite: Indivíduos na (s) borda (s) jogam contra aqueles na (s) borda (s) do lado oposto (inferior vs. superior, esquerda vs. direita).

A Figura 17.1 mostra a estrutura resultante de 100 indivíduos. Em cada rodada, os indivíduos focais na cor mais escura (azul / verde / rosa) jogam com seus oito vizinhos na cor mais clara (azul / verde / rosa).

Figura 17.1: Ilustrando uma estrutura de toro de 100 indivíduos dispostos em uma rede 10x10.

O projeto de rede / toróide cria um continuum espacial de agentes, estratégias e interações. Do ponto de vista de cada agente individual, essa configuração multiplica o número de jogos que ela joga e a diversidade de estratégias que encontra. Do ponto de vista do modelador, esta configuração permite avaliar a densidade de cada estratégia em cada ponto no tempo, bem como a difusão de estratégias ao longo do tempo. Em algumas circunstâncias, um padrão global pode emergir das interações locais.

Observe a matriz tridimensional de valores Q (com dimensões de N_opt, N_t e N_p, ou seja, fornecendo 2 x 100 x 100 slots).

Simulação

Executando a simulação como um loop for (para cada etapa de tempo (t )):

  • Cada jogador seleciona sua escolha uma vez no início de cada tentativa. Assim, não considera seus oponentes individualmente.

Resultados

Visualizar resultados para uma população de agentes requer o cálculo da densidade de suas escolhas, ao invés de escolhas individuais. É por isso que calculamos os vetores densidade_1 e densidade_1 durante a simulação:

Criação de um enredo animado

Para visualizar a dinâmica espacial das escolhas dos agentes ao longo do tempo, podemos mostrar qual opção cada agente na rede / toro escolheu em cada tentativa. Isso pode ser visualizado como um GIF animado, em duas etapas:

  • Prepare os dados: transforme a matriz tridimensional de all_choices em uma tabela bidimensional all_choices_tb
  • Crie uma imagem animada (usando o gganimato e Gifski pacotes):

A Figura 17.2 resultante mostra que ambas as opções são igualmente proeminentes no início, mas a Opção 2 superior está se tornando mais popular do Teste 10 em diante. Devido à tendência dos agentes de explorar, a Opção 1 ainda é escolhida ocasionalmente.

Figura 17.2: A distribuição das escolhas do agente ao longo do tempo no coordenação jogos.

Prática

Este exercício ajusta a simulação do coordenação jogo para o centavos combinando (MP) jogo (definido pela Tabela 17.1):

Qual é a estratégia ideal que os agentes devem aprender em um jogo puramente competitivo?

O que precisa ser alterado para usar o modelo acima para simular este jogo?

Adote a simulação para verificar suas respostas para 1. e 2.

Solução

ad 1 .: Como qualquer agente previsível pode ser explorado, a escolha ideal para um agente individual é escolher opções aleatoriamente. No entanto, não está claro o que isso significaria para uma população de agentes dispostos em uma rede / toro.

ad 2 .: Teoricamente, só precisamos redefinir a matriz de payoff do jogo (mostrada na Tabela 17.1). No entanto, como o modelo acima produz um erro (ao converter payoffs negativos em probabilidades), adicionamos 1 a todos os payoffs. Isso transforma um jogo de soma zero em um jogo competitivo com payoffs simétricos, mas não tem efeito sobre as diferenças absolutas nos payoffs que importam para nossos agentes RL):

  • ad 3 .: A Figura 17.3 mostra o resultado de uma simulação correspondente. Nesta simulação em particular, uma pequena maioria dos agentes escolheu a Opção 1, mas a população não atingiu um equilíbrio estável. Como a estratégia ideal de cada agente é escolher opções aleatoriamente (ou seja, com um (p = 0,5 ) para cada opção), isso pode ser uma evidência para o aprendizado. Mas para realmente demonstrar o aprendizado bem-sucedido, exames adicionais seriam necessários.

Figura 17.3: A distribuição das escolhas do agente ao longo do tempo em um competitivo jogos.

17.2.2 Aprendizagem social

A aprendizagem pode ser modelada como uma função de recompensas e do comportamento de outras pessoas. Quando uma opção é melhor do que outra, ela oferece recompensas maiores e será aprendida por um agente que explora e explora um ambiente para maximizar sua utilidade. No entanto, quando outros agentes estão presentes, um segundo indicador da qualidade de uma opção é o seu popularidade: Outras coisas sendo iguais, as melhores opções são mais populares. 19

A ideia básica de dinâmica do replicador (página seguinte, 2018, p. 308ss.) é simples: A probabilidade de escolher uma ação é o produto de sua recompensa e os seus popularidade.

Dado um conjunto de (N_opt ) alternativas com recompensas correspondentes ( pi (1). Pi (n) ), a probabilidade de escolher uma opção (k ) no intervalo de tempo (t + 1 ) é definido como:

Observe que o fator dado pela fração ( frac < pi (k)> < bar < pi_>> ) divide a recompensa atual da opção pela recompensa média atual de todas as opções. Seu denominador é calculado como a soma de todos os valores de recompensa ponderados por sua probabilidade na população atual. À medida que as opções mais populares são mais pesadas, este fator combina um efeito de recompensa com um efeito de popularidade ou conformidade. Assim, a probabilidade de escolher uma opção no próximo ciclo de decisão depende de sua probabilidade atual, sua recompensa atual e sua popularidade atual.

Observe que esta conceituação particular fornece um modelo para uma população inteira, ao invés de qualquer elemento individual dela. Além disso, as recompensas recebidas de cada opção são consideradas fixas e independentes das escolhas, o que pode ser bastante implausível para muitos ambientes reais.

Que mudanças sinalizariam que a população está aprendendo? A distribuição de probabilidade das ações escolhidas em cada intervalo de tempo.

Implementação em R

Dado que coletamos todos os valores intermediários nos dados, podemos inspecionar nossos resultados de simulação imprimindo a tabela:

Tabela 17.3: Dados da dinâmica do replicador.
t avg_rew p_A p_B p_C
0 10.00 0.100 0.700 0.200
1 11.50 0.200 0.700 0.100
2 13.26 0.348 0.609 0.043
3 15.16 0.525 0.459 0.016
4 16.89 0.692 0.303 0.005
5 18.18 0.819 0.179 0.002
6 19.01 0.901 0.099 0.000
7 19.48 0.948 0.052 0.000
8 19.73 0.973 0.027 0.000
9 19.87 0.987 0.013 0.000
10 19.93 0.993 0.007 0.000

Conforme mostrado na Tabela 17.3, inicializamos nosso loop com um valor de t = 0. Isso nos permitiu incluir a situação original (antes de qualquer atualização de prob) como a primeira linha (ou seja, em dados de linha [(t + 1),]).

A inspeção das linhas da Tabela 17.3 deixa claro que as probabilidades de opções subótimas (aqui: Opções B e C) estão diminuindo, enquanto a probabilidade de escolher a melhor opção (A) está aumentando. Assim, opções com recompensas maiores estão se tornando mais populares - e a população converge rapidamente para a escolha da melhor opção.

A mudança sistemática da população de opções mais pobres para mais ricas também implica que o valor da recompensa média (aqui: avg_rew) está aumentando monotonicamente e se aproximando do valor da melhor opção. Assim, a função de avg_rew é semelhante à função de um nível de aspiração (A ) em modelos de aprendizagem por reforço (consulte a Seção 16.2.1), com a diferença de que avg_rew reflete a aspiração média de toda a população, enquanto (A_) denota o nível de aspiração de um agente individual (i ).

Visualizando resultados

Maneiras de retratar a mudança na dinâmica coletiva, afastando-se do mal e rumo à melhor opção, são fornecidas pelas seguintes visualizações de dados. A Figura 17.4 mostra as tendências na escolha de cada opção em função das etapas de tempo de 0 a 10:

Figura 17.4: Tendências na probabilidade de escolher cada opção por intervalo de tempo.

Observe que reformamos os dados no formato longo antes de plotar (para obter as opções como uma variável, em vez de três variáveis ​​separadas) e alteramos o eixo y para uma escala de porcentagem.

Dado que a distribuição de probabilidade em cada etapa de tempo deve somar 1, faz sentido exibi-los como um gráfico de barras empilhadas, com cores diferentes para cada opção (consulte a Figura 17.5):

Figura 17.5: A probabilidade de escolher opções por intervalo de tempo.

Isso mostra que a melhor opção (aqui: Opção A) é impopular no início, mas se torna a dominante por volta da quarta etapa. O processo de aprendizagem mostrado aqui parece ser muito mais rápido do que o de um aluno por reforço individual (na Seção 16.2.1). Isso se deve principalmente a uma mudança em nosso nível de análise: Nosso modelo de dinâmica do replicador descreve um todo população de agentes. Na verdade, nosso uso da distribuição de probabilidade como um proxy para a popularidade das opções assume implicitamente que um infinito população de agentes está experimentando o ambiente e explorando e explorando o conjunto completo de todas as opções em cada etapa do tempo. Considerando que um agente RL individual deve primeiro explorar opções e - se tiver azar - perder muito tempo valioso com opções inferiores, uma população de agentes pode avaliar toda a gama de opções e convergir rapidamente para a melhor opção.

A convergência na melhor opção é garantida, desde que todas as opções sejam escolhidas (ou seja, tenham uma probabilidade inicial de (p_(i) & gt0 )) e a população de agentes é grande (idealmente infinita).

Prática

Responda às seguintes perguntas estudando a equação básica da dinâmica do replicador:

Qual é o impacto das opções que oferecem recompensas zero (ou seja, ( pi (k) = 0 ))?

Qual é o impacto das opções que não são escolhidas (ou seja, (P_(k) = 0 ))?

O que acontecerá se as três opções (A – C) renderem recompensas idênticas (por exemplo, 10 unidades para cada opção)?

O que acontecerá se as recompensas de três opções (A – C) renderem recompensas de 10, 20 e 70 unidades, mas suas popularidade iniciais forem invertidas (ou seja, 70%, 20%, 10%).

10 passos de tempo ainda são suficientes para aprender a melhor opção?

E se o contraste inicial for ainda mais extremo, com recompensas de 1, 2 e 97 unidades e probabilidades iniciais de 97%, 2% e 1%, respectivamente?

Dica: Execute essas simulações em sua mente primeiro e, em seguida, verifique suas previsões com o código acima.

Qual ambiente do mundo real poderia ser qualificado como

aquele em que as recompensas de todos os objetos são estáveis ​​e independentes das ações dos agentes?

aquele em que todos os agentes também têm preferências idênticas?

Como o processo de aprendizagem mudaria

se o número de agentes for discreto (por exemplo, 10)?

se o número de opções excedeu o número de agentes?

Dica: Considere a faixa de valores que prob levaria e poderia assumir em ambos os casos.


Valor dos testes projetivos:

Embora esses testes projetivos sejam desenvolvidos para compreender o comportamento e as emoções humanas, poucas pessoas concordam totalmente com seus resultados. Apesar de haver muitos tipos de limitações para esses testes projetivos, eles ainda são usados ​​por muitos psiquiatras e psicólogos.

Além disso, muitos especialistas que trabalham nesses testes projetivos estão trabalhando na atualização desses testes de forma que eles não apenas forneçam validade, mas também agreguem algum valor.

Os testes projetivos também são usados ​​em pesquisas de mercado para avaliar as emoções, associações e processos de pensamento relacionados à marca e aos produtos.


2021 Pennzoil 400 probabilidades, previsões: Surpreendente NASCAR em Las Vegas escolhe a partir de um modelo avançado

Milhões de pessoas vão a Las Vegas todos os anos com a esperança de ganhar o jackpot e voltar como um milionário instantâneo. No domingo, 40 pilotos se alinharão com a esperança de que seu número chegue à pista da vitória no Pennzoil 400 2021. A bandeira verde cai às 15h30. ET do Las Vegas Motor Speedway de 1,5 milhas, com o atual campeão Joey Logano partindo do 15º lugar. Kevin Harvick, que venceu duas vezes em Las Vegas e vai começar na pole no domingo, é o favorito por 9-2 nas probabilidades Pennzoil 400 de 2021 da William Hill Sportsbook.

Denny Hamlin tem 6-1, enquanto Logano e Chase Elliott têm 15-2, Brad Keselowski tem 8-1 e Kyle Larson tem 17-2 no quadro de probabilidades 2021 NASCAR em Las Vegas. Antes de vasculhar a escalação inicial do 2021 Pennzoil 400 e fazer suas previsões NASCAR em Las Vegas para o domingo, certifique-se de ver as últimas escolhas do 2021 Pennzoil 400 do modelo de projeção comprovado da SportsLine.

Desenvolvido pelo profissional diário Fantasy pro e engenheiro de dados preditivos SportsLine Mike McClure, este modelo de computador de previsão NASCAR proprietário simula todas as corridas 10.000 vezes, levando em consideração fatores como histórico da pista e resultados recentes.

A modelo começou a temporada de 2020 pagando muito ao escolher Denny Hamlin para ganhar seu segundo Daytona 500 consecutivo por 10-1. O modelo também citou a vitória de Kevin Harvick em Atlanta e alcançou a marca dos dez primeiros colocados naquela corrida. McClure então usou o modelo para fechar uma aposta de 10-1 em Hamlin para sua vitória em Miami.

No The Brickyard, a modelo anunciou a quarta vitória de Harvick na temporada. Então, durante os Playoffs da NASCAR 2020, a modelo acertou suas escolhas em corridas consecutivas, chamando Denny Hamlin para vencer por 17-2 em Talladega e Chase Elliott para vencer por 7-2 no Charlotte Roval. Qualquer pessoa que tenha seguido suas escolhas da NASCAR teve grandes retornos.

Principais previsões do Pennzoil 400 para 2021

O modelo está em alta com Ryan Blaney, embora ele tenha uma chance de 12-1 na última NASCAR em Las Vegas com probabilidades de 2021. Ele é um alvo para quem procura um grande dia de pagamento. Blaney tem estado tentadoramente perto de Victory Lane em Las Vegas, terminando em segundo na corrida da Xfinity Series 2015 e tão alto quanto - três vezes - em seus carros da NASCAR Cup Series.

O piloto da Team Penske teve um início difícil em sua campanha de 2021, terminando em 30º no Daytona 500, 15º no O'Reilly Auto Parts 253 e 29º na semana passada no Dixie Vodka 400. No entanto, Blaney estava na frente em Pennzoil 400 da última primavera e South Point 400 do outono passado, e tem muita experiência ao volante de seu Ford nº 12.

Blaney começará da 26ª posição na escalação inicial 2021 Pennzoil 400, mas McClure o vê chegando à frente rapidamente e ama seu valor como parte de suas apostas em 2021 Pennzoil 400.

E um choque massivo: Kevin Harvick, o principal favorito de Las Vegas em 9-2, tropeça em grande e mal chega ao top 10. Existem valores muito melhores neste carregado grid de largada de 2021 Pennzoil 400. Harvick é duas vezes vencedor em Las Vegas e vem de uma das nove melhores vitórias da carreira em 2020, mas ele perdeu a chance de disputar um segundo campeonato graças a uma corrida decepcionante.

Isso incluiu um 10º lugar no 2020 South Point 400 em Las Vegas depois de começar na pole e um 16º lugar na última corrida oval de 2,4 km da temporada no Texas. Harvick está agora em uma seqüência de oito corridas sem vitórias, e 9-2 é um preço muito alto a pagar.

Como fazer escolhas da NASCAR 2021 em Las Vegas

O modelo também tem como alvo dois outros pilotos com NASCAR em Las Vegas probabilidades de 2021 de 10-1 ou mais para fazer uma corrida séria para vencer tudo. Qualquer um que apóie esses drivers pode ter um grande sucesso. Você pode ver todas as escolhas da NASCAR na SportsLine.

Então, quem ganha o 2021 Pennzoil 400? E quais planos remotos atordoam a NASCAR? Confira as últimas probabilidades de 2021 Pennzoil 400 abaixo, depois visite SportsLine agora para ver a tabela de classificação completa projetada para 2021 Pennzoil 400, tudo do modelo que acertou a vitória de Hamlin no 2020 Daytona 500.

2021 Pennzoil 400 odds

Kevin Harvick 9-2
Martin Truex Jr. 6-1
Denny Hamlin 6-1
Chase Elliott 15-2
Joey Logano 15-2
Brad Keselowski 8-1
Kyle Larson 17-2
Kyle Busch 10-1
Ryan Blaney 12-1
William Byron 18-1
Alex Bowman 20-1
Kurt Busch 25-1
Christopher Bell 28-1
Austin Dillon 40-1
Aric Almirola 40-1
Tyler Reddick 60-1
Cole Custer 75-1
Matt DiBenedetto 75-1
Chris Buescher 100-1
Ryan Newman 100-1
Bubba Wallace 100-1
Chase Briscoe 100-1
Ross Chastain 125-1
Ricky Stenhouse Jr. 125-1
Michael McDowell 150-1
Erik Jones 150-1
Daniel Suarez 250-1
Ryan Preece 1000-1
Justin Haley 2500-1
Anthony Alfredo 2500-1
Corey Lajoie 2500-1
Timmy Hill 5000-1
Cody Ware 5000-1
Garrett Smithley 5000-1
Josh Bilicki 5000-1
Joey Gase 5000-1
BJ McLeod 5000-1
Quin Houff 5000-1


Conteúdo

Editar propriedade de levantamento

A definição teórica usual da categoria é em termos da propriedade de elevação que transita dos módulos livres para os projetivos: um módulo P é projetivo se e somente se para cada homomorfismo de módulo sobrejetivo f : NM e todo homomorfismo de módulo g : PM , existe um homomorfismo de módulo h : PN de tal modo que f h = g . (Não exigimos o homomorfismo de levantamento h para ser único, esta não é uma propriedade universal.)

A vantagem desta definição de "projetivo" é que pode ser realizada em categorias mais gerais do que categorias de módulo: não precisamos de uma noção de "objeto livre". Também pode ser dualizado, levando a módulos injetivos. A propriedade de levantamento também pode ser reformulada como cada morfismo de fatores P < displaystyle P> a M < displaystyle M> por meio de cada epimorfismo a M. Assim, por definição, os módulos projetivos são precisamente os objetos projetivos na categoria de R-módulos.

Dividir sequências exatas Editar

Um módulo P é projetivo se e somente se cada seqüência exata curta de módulos do formulário

é uma seqüência exata dividida. Ou seja, para todo homomorfismo de módulo sobrejetivo f : BP existe um mapa de seção, isto é, um homomorfismo de módulo h : PB de tal modo que f h = idP. Nesse caso, h(P) é uma soma direta de B, h é um isomorfismo de P para h(P) , e h f é uma projeção no summand h(P) Equivalentemente,

Summands diretos de módulos livres Editar

Um módulo P é projetivo se e somente se houver outro módulo Q de modo que a soma direta de P e Q é um módulo gratuito.

Edição de exatidão

Um R-módulo P é projetivo se e somente se o functor covariante Hom (P, -): R-ModAb é um functor exato, onde R-Mod é a categoria de esquerda R-módulos e Ab é a categoria dos grupos abelianos. Quando o anel R é comutativo, Ab é vantajosamente substituído por R-Modelo na caracterização anterior. Este functor é sempre deixado exato, mas, quando P é projetiva, também é exata. Isso significa que P é projetiva se e somente se este functor preserva epimorfismos (homomorfismos sobrejetivos), ou se preserva colimites finitos.

Edição de base dupla

As seguintes propriedades de módulos projetivos são deduzidas rapidamente de qualquer uma das definições acima (equivalentes) de módulos projetivos:

  • As somas e somas diretas dos módulos projetivos são projetivas.
  • Se e = e 2 é um idempotente no ringue R, então é um módulo projetivo esquerdo sobre R.

A relação dos módulos projetivos com os módulos livres e planos é incluída no seguinte diagrama de propriedades do módulo:

As implicações da esquerda para a direita são verdadeiras em qualquer anel, embora alguns autores definam módulos sem torção apenas em um domínio. As implicações da direita para a esquerda são verdadeiras sobre os anéis que os rotulam. Pode haver outros anéis sobre os quais eles são verdadeiros. Por exemplo, a implicação rotulada "anel local ou PID" também é verdadeira para anéis polinomiais sobre um campo: este é o teorema de Quillen-Suslin.

Módulos projetivos vs. livres Editar

Qualquer módulo livre é projetivo. O inverso é verdadeiro nos seguintes casos:

  • E se R é um campo ou campo inclinado: algum módulo é gratuito neste caso.
  • se o anel R é um domínio ideal principal. Por exemplo, isso se aplica a R = Z (os inteiros), então um grupo abeliano é projetivo se e somente se for um grupo abeliano livre. A razão é que qualquer submódulo de um módulo livre sobre um domínio ideal principal é gratuito.
  • se o anel R é um anel local. Esse fato é a base da intuição de "localmente livre = projetivo". Este fato é fácil de provar para módulos projetivos gerados finitamente. Em geral, é devido a Kaplansky (1958) ver o teorema de Kaplansky sobre módulos projetivos.

Em geral, porém, os módulos projetivos não precisam ser gratuitos:

  • Sobre um produto direto de anéisR × S Onde R e S são anéis diferentes de zero, ambos R × 0 e 0 × S são módulos projetivos não livres.
  • Sobre um domínio de Dedekind, um ideal não principal é sempre um módulo projetivo que não é um módulo livre.
  • Sobre um anel de matriz Mn(R), o módulo natural Rn é projetiva, mas não é livre. Mais geralmente, em qualquer anel semi-simples, cada módulo é projetivo, mas o ideal zero e o próprio anel são os únicos ideais livres.

A diferença entre os módulos livres e projetivos é, em certo sentido, medida pelo algébrico K-grupo de teoria K0(R), Veja abaixo.

Módulos projetivos vs. planos Editar

Cada módulo projetivo é plano. [1] O inverso em geral não é verdade: o grupo abeliano Q é um Z-módulo que é plano, mas não projetivo. [2]

Por outro lado, um módulo plano finitamente relacionado é projetivo. [3]

Govorov (1965) e Lazard (1969) provaram que um módulo M é plano se e somente se for um limite direto de módulos livres gerados finitamente.

Em geral, a relação precisa entre achatamento e projetividade foi estabelecida por Raynaud & amp Gruson (1971) (ver também Drinfeld (2006) e Braunling, Groechenig & amp Wolfson (2016)) que mostraram que um módulo M é projetiva se e somente se satisfizer as seguintes condições:

  • M é plano,
  • M é uma soma direta de módulos gerados de forma contável,
  • M satisfaz uma determinada condição do tipo Mittag-Leffler.

Submódulos de módulos projetivos não precisam ser um anel projetivo R para o qual todo submódulo de um módulo projetivo esquerdo é projetivo é denominado hereditário esquerdo.

Quocientes de módulos projetivos também não precisam ser projetivos, por exemplo Z/n é um quociente de Z, mas não livre de torção, portanto, não plana e, portanto, não projetiva.

A categoria de módulos projetivos finitamente gerados sobre um anel é uma categoria exata. (Veja também a teoria K algébrica).

Dado um módulo, M, uma resolução projetiva do M é uma sequência infinita exata de módulos

com todo o Peus projetiva. Cada módulo possui uma resolução projetiva. Na verdade, um resolução livre (resolução por módulos livres) existe. A sequência exata dos módulos projetivos às vezes pode ser abreviada para P(M) → M → 0 ou PM → 0. Um exemplo clássico de resolução projetiva é dado pelo complexo de Koszul de uma sequência regular, que é uma resolução livre do ideal gerado pela sequência.

O comprimento de uma resolução finita é o subscrito n de tal modo que Pn é diferente de zero e Peu = 0 para eu Maior que n. Se M admite uma resolução projetiva finita, o comprimento mínimo entre todas as resoluções projetivas finitas de M é chamado de dimensão projetiva e denotado pd (M) Se M não admite uma resolução projetiva finita, então por convenção a dimensão projetiva é dita infinita. Por exemplo, considere um módulo M tal que pd (M) = 0. Nesta situação, a exatidão da sequência 0 → P0M → 0 indica que a seta no centro é um isomorfismo e, portanto, M em si é projetiva.

Módulos projetivos sobre anéis comutativos têm boas propriedades.

A localização de um módulo projetivo é um módulo projetivo sobre o anel localizado. Um módulo projetivo sobre um anel local é gratuito. Assim, um módulo projetivo é localmente grátis (no sentido de que sua localização em cada ideal primo é livre sobre a localização correspondente do anel).

O inverso é verdadeiro para módulos gerados finitamente sobre anéis noetherianos: um módulo gerado finitamente sobre um anel noetheriano comutativo é localmente livre se e somente se for projetivo.

No entanto, existem exemplos de módulos gerados finitamente sobre um anel não-Noetheriano que são localmente livres e não projetivos. Por exemplo, um anel booleano tem todas as suas localizações isomórficas para F2, o campo de dois elementos, portanto, qualquer módulo sobre um anel booleano é localmente gratuito, mas existem alguns módulos não projetivos sobre anéis booleanos. Um exemplo é R/eu Onde R é um produto direto de muitas cópias contáveis ​​de F2 e eu é a soma direta de muitas cópias contáveis ​​de F2 dentro de R. O R-módulo R/eu é localmente gratuito desde R é booleano (e é finitamente gerado como um R-módulo também, com um conjunto abrangente de tamanho 1), mas R/eu não é projetivo porque eu não é um ideal principal. (Se um módulo quociente R/eu, para qualquer anel comutativo R e ideal eu, é um projetivo R-módulo então eu é o principal.)

No entanto, é verdade que para módulos apresentados finitamente M sobre um anel comutativo R (em particular se M é um gerado finitamente R-módulo e R é noetherian), os seguintes são equivalentes. [4]

Além disso, se R é um domínio integral noetheriano, então, pelo lema de Nakayama, essas condições são equivalentes a

  • A dimensão do k (p) < displaystyle k (< mathfrak

    >)> - espaço vetorial M ⊗ R k (p) < displaystyle M otimes _k (< mathfrak

    >)> é o mesmo para todos os ideais primos p < displaystyle < mathfrak

    >> de R, onde k (p) < displaystyle k (< mathfrak

    >)> é o campo de resíduo em p < displaystyle < mathfrak

    >>. [5] Ou seja, M tem classificação constante (conforme definido abaixo).

Deixar UMA ser um anel comutativo. Se B é um (possivelmente não comutativo) UMA-álgebra que é um projetivo finitamente gerado UMA-módulo contendo UMA como um subring, então UMA é um fator direto de B. [6]

Editar classificação

Uma motivação básica da teoria é que os módulos projetivos (pelo menos sobre certos anéis comutativos) são análogos aos feixes de vetores. Isso pode ser feito com precisão para o anel de funções contínuas de valor real em um espaço de Hausdorff compacto, bem como para o anel de funções suaves em uma variedade suave (ver teorema de Serre-Swan que diz um módulo projetivo finitamente gerado sobre o espaço de funções suaves em uma variedade compacta é o espaço de seções suaves de um pacote vetorial suave).

Pacotes de vetores são localmente livre. Se houver alguma noção de "localização" que pode ser transportada para módulos, como a localização usual de um anel, pode-se definir módulos localmente livres, e os módulos projetivos então tipicamente coincidem com os módulos localmente livres.

O teorema de Quillen-Suslin, que resolve o problema de Serre, é outro resultado profundo: se K é um campo, ou mais geralmente um domínio ideal principal, e R = K[X1. Xn] é um anel polinomial sobre K, então cada módulo projetivo acabou R é grátis. Este problema foi levantado pela primeira vez por Serre com K um campo (e os módulos sendo gerados finitamente). Bass decidiu por módulos gerados de forma não finita e Quillen e Suslin trataram de forma independente e simultânea o caso de módulos gerados de forma finita.

Uma vez que cada módulo projetivo sobre um domínio ideal principal é gratuito, pode-se fazer esta pergunta: se R é um anel comutativo tal que todo (finitamente gerado) projetivo R-módulo é gratuito, então é todo (finitamente gerado) projetivo R[X] -módulo grátis? A resposta é não. Um contra-exemplo ocorre com R igual ao anel local da curva y 2 = x 3 na origem. Assim, o teorema de Quillen-Suslin nunca poderia ser provado por uma simples indução no número de variáveis.


2. Mente estendida de terceira onda e processamento preditivo

Obrigado a John Schwenkler pelo convite para fazer um guest-blog esta semana sobre nosso livro Consciência Estendida e Processamento Preditivo: Uma Visão da Terceira Onda (Routledge, 2019):

Onde sua mente (consciente) para e o resto do mundo começa? Defendemos o que passou a ser chamado de relato da “terceira onda” da mente ampliada. Nesta postagem, nosso objetivo é dar a você uma noção do que é o debate dentro da comunidade da mente estendida. Em segundo lugar, esboçaremos nossa interpretação da terceira onda da teoria do processamento preditivo da mente. Não consideramos como a perspectiva da terceira onda na mente ampliada pode ser criticada, um problema que abordaremos em postagens posteriores.

A terminologia “onda” é devida a Sutton (2010) e é usada para distinguir as três linhas de argumento a seguir para a mente ampliada.

Mente estendida de primeira onda é o funcionalismo de papéis à moda antiga, associado ao funcionalismo do senso comum (Clark & ​​amp Chalmers 1998) ou ao psicofuncionalismo (Wheeler 2010). Os teóricos da primeira onda (como vimos em nosso primeiro post) defenderam a extensão das mentes ao mundo com base na equivalência funcional de elementos localizados interna e externamente ao indivíduo. Se esses elementos fizerem contribuições causais semelhantes na orientação do comportamento de uma pessoa, eles devem ser tratados da mesma forma. Mais especificamente, não devemos excluir o elemento externo de fazer parte da mente de uma pessoa simplesmente com base em sua localização fora do corpo biológico.

Segunda onda os argumentos giram em torno das contribuições funcionais diferentes, mas complementares, de ferramentas e tecnologias em comparação com o cérebro biológico. Assim, os sistemas nocionais para fazer matemática, por exemplo, complementam os modos internos de processamento do cérebro, resultando na transformação das capacidades de raciocínio matemático de indivíduos, grupos e linhagens. Os argumentos da segunda onda podem parecer sugerir uma imagem na qual os processos neurais internos têm suas próprias propriedades funcionais proprietárias que são combinadas com sistemas públicos de representação, como sistemas de notação matemática que também têm suas próprias propriedades funcionais fixas. Algo genuinamente novo emerge (por exemplo, capacidades de raciocínio matemático) quando esses elementos com suas próprias propriedades funcionais autônomas são combinados ou integrados funcionalmente.

Terceira onda os argumentos estão de acordo com a segunda onda ao considerar a cultura material como transformadora do que os humanos podem fazer como pensadores. No entanto, a visão da terceira onda considera esse processo de transformação recíproco e contínuo. As mentes humanas se formam continuamente ao longo do tempo por meio da combinação de ações incorporadas, ferramentas e tecnologias materiais e normas culturais para o uso dessas ferramentas e tecnologias. Os agentes individuais são “dissolvidos em locais peculiares de coordenação e coalescência entre múltiplas mídias estruturadas” (Sutton 2010, p.213). O controle e a coordenação são distribuídos e propagados por meio da mídia adotada em padrões culturais de atividade. As restrições (as regras locais) que governam as interações entre os componentes (internos e externos) dos sistemas cognitivos estendidos não precisam surgir todas de dentro do organismo biológico. Algumas das restrições podem ter origem nas práticas sociais e culturais, nas “coisas que as pessoas fazem em interação umas com as outras” (Hutchins 2011, p. 4). As fronteiras que separam o indivíduo de seu ambiente e dos coletivos dos quais o indivíduo participa são “conquistas de desenvolvimento e culturais duramente conquistadas e frágeis” (Sutton 2010, p. 213).

Ao contrário das ondas anteriores na teorização da mente ampliada, um compromisso com a consciência ampliada sai naturalmente dos argumentos da terceira onda para a mente ampliada. Seguimos Susan Hurley ao pensar nos realizadores materiais da consciência como singularidades dinâmicas estendidas (Hurley 1998, 2010). Hurley usa esse termo para se referir a uma singularidade no “campo de fluxos causais caracterizado ao longo do tempo por um emaranhado de múltiplos loops de feedback de órbitas variáveis”. Esses fluxos causais se formam a partir dos ciclos de looping de percepção e ação do organismo, onde o complexo emaranhado de loops de feedback é fechado pelo mundo. A singularidade dinâmica estendida, ela diz, “está centrada no organismo e se move com ele, mas não tem limites nítidos” (Hurley 1998, p.2). Partimos de Hurley, entretanto, ao permitir uma descentralização de singularidades dinâmicas estendidas. Como observa o antropólogo cognitivo Ed Hutchins, alguns sistemas “têm um centro claro, enquanto outros têm centros múltiplos, ou nenhum centro” (Hutchins 2011, p. 5). A propagação da atividade em vários meios de comunicação é coordenada por um trabalho "humano ligeiramente equipado" (às vezes) em grupos e sempre incorporado em práticas culturais.

Os argumentos da terceira onda, portanto, destacam a necessidade de repensar a metafísica dentro da qual os argumentos para mentes estendidas são desenvolvidos. Ao contrário das noções padrão de constituição, realização ou composição, todas as quais são relações de determinação atemporais ou sincrônicas, nos propomos a compreender tais relações de determinação metafísica em termos temporais ou diacrônicos. Os processos cognitivos são “criaturas do tempo” (Nöe 2006), ou seja, dependem para sua existência de desdobramentos temporais em vários meios: alguns neurais ou corporais, outros envolvendo outras pessoas e os recursos fornecidos por um ambiente moldado por nossas atividades culturais e padrões de prática. Mentes estendidas são constituídas diacronicamente. Resumimos quatro princípios fundamentais da visão da terceira onda na tabela a seguir:

Princípios fundamentais da mente estendida de terceira onda

1. Singularidades dinâmicas estendidas: alguns processos cognitivos são
constituído por redes causais com órbitas internas e externas
compreendendo um sistema cognitivo singular.
2. Limites flexíveis e abertos: os limites da mente não são
fixo e estável, mas frágil e conquistado a duras penas, e sempre aberto a
negociação.
3. Conjunto Cognitivo Distribuído: a tarefa e a montagem sensível ao contexto dos sistemas cognitivos não é conduzida pelo agente individual, mas por um nexo de restrições, algumas neurais, algumas corporais e algumas ambientais
(cultural, social, material).
4. Constituição diacrônica: A cognição é intrinsecamente temporal e
dinâmico, desdobrando-se em escalas temporais de comportamento diferentes, mas que interagem.

Em nosso livro, mostramos como interpretar a teoria do processamento preditivo através das lentes da mente estendida de terceira onda. O processamento preditivo projeta os agentes como modelos generativos de seu ambiente. Um modelo generativo é uma estrutura probabilística que gera previsões sobre as causas dos estímulos sensoriais. Argumentamos que o ajuste contínuo e a manutenção do modelo generativo por inferência ativa acarreta o emaranhamento dinâmico do agente e do ambiente. Nas três postagens a seguir, colocaremos essa perspectiva da terceira onda no processamento preditivo para funcionar para defender três teses defendidas em nosso livro:

Postagem 3: A mente coberta de Markov: Não há um limite único, fixo e permanente separando a mente consciente interna do mundo externo. A fronteira que separa os seres conscientes do mundo exterior é fluida e ativamente construída por meio da atividade incorporada.

Postagem 4: Vendo o que você espera ver: A teoria do processamento preditivo às vezes afirma que a experiência perceptual deve ser pensada como uma alucinação controlada. A contribuição do mundo é fornecer uma verificação sobre os processos preditivos do cérebro. Argumentamos, em contraste, que o processamento preditivo que gera experiência consciente não pode ser desconectado do mundo, mas é exploratório, ativo e envolve o mundo.

Postagem 5: A constituição diacrônica da consciência ampliada: A adoção de nossa perspectiva de terceira onda no processamento preditivo envolve uma nova metafísica da constituição da experiência consciente como diacrônica, não sincrônica.

Clark, A. e Chalmers, D. (1998). A mente ampliada. Análise, 50, 7-19.

Hurley, S.L. (1998). Consciência em Ação. Cambridge, MA: Harvard University Press.

Hutchins, E. (2011). Enculturando a mente superdimensionada. Estudos Filosóficos, 152, 437446.

Nöe, A. (2006). Experimente o mundo no tempo. Análise, 66(1), 26-32

Sutton, J. (2010). Exogramas e interdisciplinaridade: História, a mente ampliada e o processo civilizador. Em R. Menary (Ed.), The Extended Mind (pp. 189225). Cambridge, MA: The MIT Press.

Wheeler, M.(2010). Em defesa do funcionalismo estendido. Em R. Menary (ed.), The Extended Mind (pp. 245-270). Cambridge, MA: The MIT Press.


Resultados

Modelo

Assumimos que quando um indivíduo escolhe um destino, como o modelo de radiação 32 e o modelo OPS 42, ele / ela primeiro avalia o benefício das oportunidades do local 43, onde o benefício é escolhido aleatoriamente a partir de uma distribuição p(z) Depois disso, o indivíduo compara de forma abrangente os benefícios da origem, do destino e das oportunidades intervenientes e seleciona um local como destino. Para caracterizar o comportamento de uma comparação individual abrangente dos benefícios dos locais, usamos dois parâmetros α e β. Parâmetro α reflete o comportamento da tendência do indivíduo em escolher o destino cujo benefício é maior do que os benefícios da origem e as oportunidades intervenientes. Parâmetro β reflete o comportamento da tendência do indivíduo de escolher o destino cujo benefício é maior do que o benefício da origem, e o benefício da origem é maior do que os benefícios das oportunidades intervenientes. De acordo com a suposição acima, a probabilidade de que o local j é selecionado pelo indivíduo no local eu é

Onde meu é o número de oportunidades no local eu, mj é o número de oportunidades no local j, seuj é o número de oportunidades de intervenção 30 (ou seja, a soma do número de oportunidades em todos os locais cujas distâncias de eu são mais curtos do que a distância de eu para j), (< Pr> _ <_+ alpha cdot _> (z) ) é a probabilidade de que o benefício máximo obtido após meu + αseuj samplings é exatamente z, (< Pr> _ < beta cdot _> (& lt z) ) é a probabilidade de que o benefício máximo obtido após βseuj amostragens é menor que z, (_<_> (& gt z) ) é a probabilidade de que o benefício máximo obtido após mj amostragens é maior que z, α e β são não negativos e α + β ≤ 1.

Desde Prx(& lt z) = p(& ltz) x , nós obtemos

A equação (1) pode ser escrita como

Então, a probabilidade do indivíduo no local eu escolhendo localização j é

Além disso, se soubermos o número total de indivíduos Oeu que viajam de local eu, o fluxo Teuj da localização eu para localização j pode ser calculado como

Esta é a forma final do modelo e a denominamos modelo de oportunidade universal (UO).

O α e β os parâmetros no modelo UO refletem as duas tendências comportamentais do indivíduo ao escolher destinos potenciais (onde o benefício da oportunidade é maior do que o benefício da origem). Da Eq. (3), podemos ver que quanto maior o valor do parâmetro α, maior será a probabilidade de que destinos potenciais distantes sejam selecionados pelo indivíduo. Chamamos essa tendência comportamental de tendência exploratória. Por outro lado, quanto maior o valor do parâmetro β, maior será a probabilidade de que destinos próximos potenciais sejam selecionados pelo indivíduo. Chamamos essa tendência comportamental de tendência cautelosa. Escolhemos a distância média de viagem e a entropia normalizada como duas métricas fundamentais para discutir a influência de dois parâmetros α e β no comportamento de seleção de destino individual. A distância média de viagem reflete a densidade em massa da seleção de destino individual 44,45,46,47, e a entropia normalizada reflete a heterogeneidade da seleção de destino individual 48. Conforme mostrado na Fig. 1, as duas métricas fundamentais têm as mesmas regularidades com uma mudança em dois parâmetros, seja o número de oportunidades de destino uma distribuição uniforme ou aleatória. Quando α = 0, β = 1, a distância média de viagem é a mais curta, e o valor de entropia normalizado é o menor quando α = 0, β = 0, a distância média de viagem é a mais longa e o valor de entropia normalizado é o maior. A partir das definições dos dois parâmetros, podemos explicar facilmente as razões para as regularidades. Quando α é mais próximo de 0, β é mais próximo de 1, o indivíduo é mais cauteloso e a probabilidade de escolher destinos próximos em potencial é maior, portanto, quanto menor a distância média de viagem e maior a heterogeneidade. Quando α é mais próximo de 1, β é mais próximo de 0, o indivíduo é mais exploratório e a probabilidade de escolher destinos potenciais distantes é maior, então a distância média é aumentada enquanto a heterogeneidade é diminuída. Quando α e β estão mais próximos de 0, o indivíduo atribui mais importância ao benefício que a localização lhe traz e não se preocupa com a ordem das localizações, portanto, quanto maior a distância média de viagem e maior a homogeneidade.

Distância média de viagem e entropia normalizada versus diferentes combinações de parâmetros. (uma,b) Distância média de viagem e valores de entropia normalizados correspondentes a diferentes combinações de parâmetros. Aqui, o número de oportunidades de destino é uma distribuição uniforme. (c,d) Mesma distância média de viagem e valores de entropia normalizados como em (uma,b), mas o número de oportunidades de destino é uma distribuição aleatória.

Além disso, quando α e β tomar valores extremos (ou seja, os três vértices do triângulo na Fig. 1), podemos derivar três modelos especiais de mobilidade humana. Quando α = 0, β = 0, denominamos esse modelo de modelo de oportunidade apenas (OO) (consulte os detalhes em Informações suplementares, A derivação do modelo OO). Nesse modelo, o indivíduo escolhe o local cujo benefício é maior do que o benefício da origem. Então, a probabilidade do indivíduo no local eu escolhendo localização j como o destino é

Quando α = 1, β = 0, nosso modelo pode ser simplificado para o modelo OPS, no qual o indivíduo escolhe o local cujo benefício é maior do que o benefício da origem e os benefícios das oportunidades intervenientes (ver detalhes em Informações Suplementares, A derivação do modelo OPS ) Então, a probabilidade do indivíduo no local eu escolhendo localização j como o destino é

Quando α = 0, β = 1, nosso modelo pode ser simplificado para o modelo de radiação, em que o indivíduo escolhe o local cujo benefício é maior que o benefício da origem e os benefícios das oportunidades intervenientes são menores que o benefício da origem (ver detalhes em Suplementar Informação, A derivação do modelo de radiação). Então, a probabilidade do indivíduo no local eu escolhendo localização j como o destino é

Das Eqs. (6) - (8), podemos ver que o modelo OO, o modelo OPS e o modelo de radiação são todos casos especiais do nosso modelo UO.

Predição

Usamos quatorze conjuntos de dados empíricos, incluindo viagens pendulares entre condados dos Estados Unidos (USC), viagens pendulares entre as províncias da Itália (ITC), viagens pendulares entre as sub-regiões da Hungria (HUC), frete entre cidades chinesas (CNF), interno procura de emprego na China (CNJ), migrações internas nos EUA (USM), viagens intermunicipais na China (CNT), viagens intermunicipais nos EUA (UST), viagens intermunicipais na Bélgica (BLT), viagens intracidades em Suzhou (SZT), viagens intracity em Pequim (BJT), viagens intracity em Shenzhen (SHT), viagens intracity em Londres (LOT) e viagens intracity em Berlim (BET) (ver Métodos), para validar a capacidade preditiva do modelo UO. Primeiro extraímos o fluxo Teuj da localização eu para localização j do conjunto de dados e obter a matriz de mobilidade real. Em seguida, exploramos o índice de similaridade de Sørensen 38 (SSI, consulte Métodos) para calcular a similaridade entre a matriz de mobilidade real e a matriz de mobilidade prevista pelo modelo UO sob diferentes combinações de parâmetros. Os resultados são mostrados na Fig. 2. A Figura 2o mostra os valores ideais do parâmetro α e β correspondendo ao SSI mais alto para os quatorze conjuntos de dados.

Resultados para conjuntos de dados empíricos. (uman) Exploramos SSI para calcular a similaridade entre a matriz de mobilidade real e a matriz de mobilidade prevista sob diferentes combinações de parâmetros para os quatorze conjuntos de dados. Aqui, a barra de cores representa o SSI, onde um ponto vermelho escuro (azul) indica um SSI superior (inferior). (o) Os valores ideais dos parâmetros α e β correspondem ao SSI mais alto para os quatorze conjuntos de dados.

Pode ser visto na Fig. 2a-d que para USC, ITC, HUC e CNF, quando α está perto de 0 e β está próximo de 1, o SSI é relativamente grande. A razão é que para conjuntos de dados de deslocamento (USC, ITC e HUC), a distância ou tempo de deslocamento é muito importante para os passageiros. Como resultado, a maioria das pessoas tende a escolher destinos potenciais próximos ao encontrar um emprego com base em seu local de residência ou ajustar seu local de residência após encontrar um emprego. Essa tendência cautelosa de seleção de destino também existe no frete. O frete para destinos distantes levará a um aumento nos custos de transporte e uma diminuição na frequência do frete, o que terá um impacto negativo na receita de frete. Assim, a menos que o benefício da oportunidade de destino seja muito alto, o indivíduo tende a escolher um destino próximo em vez de um destino distante para o frete. Para os conjuntos de dados de migração e procura de emprego (USM e CNJ), quando α está perto de 1 e β é próximo de 0, o SSI é relativamente grande, como mostrado na Fig. 2e, f. A razão é que tanto os que procuram emprego quanto os migrantes prestam mais atenção ao benefício da oportunidade de destino do que à distância até o destino. Em outras palavras, eles são mais exploratórios, mas menos cautelosos. Mesmo que um destino de alto benefício esteja longe, ele ainda será selecionado por indivíduos com uma probabilidade relativamente alta. A razão é que a distância até o destino tem um impacto menor nos comportamentos de mobilidade de longa escala temporal, como migração e procura de emprego, do que nos comportamentos de deslocamento diário. Para conjuntos de dados de viagens intermunicipais (CNT, UST e BLT), quando α e β estão ambos próximos do meio da linha diagonal do triângulo, o SSI é relativamente grande, como mostrado na Fig. 2g – i. Para a maioria das pessoas, as viagens intermunicipais são ocasionais e não tão frequentes quanto o deslocamento diário. Os viajantes estão menos inclinados do que os passageiros a escolher destinos potenciais próximos, mas tendem a explorar destinos potenciais distantes. Assim, o parâmetro de tendência exploratória α de viagens intermunicipais é muito maior do que de deslocamento. Por outro lado, a importância do custo da viagem nas viagens intermunicipais é maior do que o custo da migração. Assim, o parâmetro de tendência cautelosa β de viagens intermunicipais é maior do que a de migração. Para conjuntos de dados de viagens intracidades (SZT, BJT, SHT, LOT e BET), quando α e β estão ambos próximos de 0, o SSI é relativamente grande, como mostrado na Fig. 2j – n. A razão é que, em comparação com o comportamento da mobilidade intermunicipal em uma grande escala espacial, a escala espacial do comportamento da mobilidade intracidades é pequena. Nesse cenário, o indivíduo não se preocupa necessariamente com a distância percorrida e se concentra mais no benefício que o local trará diretamente para ele. Assim, os valores ideais de α e β estão ambos próximos de 0, como mostrado na Fig. 2o.

Em seguida, comparamos a precisão preditiva dos fluxos de mobilidade do modelo UO com o modelo de radiação, o modelo OPS e o modelo OO. Em termos de SSI, conforme mostrado na Fig. 3 e na Tabela 1, o modelo UO apresenta o melhor desempenho. No entanto, o modelo de radiação e o modelo OPS podem fornecer apenas previsões relativamente precisas para alguns conjuntos de dados. Por exemplo, o modelo de radiação pode prever viagens pendulares e de carga com relativa precisão, mas não pode prever com precisão outros tipos de mobilidade. A razão é que o indivíduo tende a escolher destinos potenciais próximos em vez de destinos potenciais distantes em transporte e frete, onde os custos de viagem são mais importantes. Na Fig. 2o, podemos ver que para conjuntos de dados de transporte e frete, o parâmetro ideal β (o que reflete a tendência de cautela do indivíduo) do modelo UO é próximo a 1, e o parâmetro ideal α (que reflete a tendência exploratória do indivíduo) é próxima de 0. Portanto, a precisão de previsão do modelo de radiação em que o indivíduo escolhe apenas o destino potencial mais próximo (ou seja, α = 0, β = 1) é próximo ao do modelo UO em conjuntos de dados de deslocamento diário e frete. No entanto, a precisão de previsão do modelo de radiação é consideravelmente menor do que a do modelo UO na busca de empregos, migração e conjuntos de dados de viagens não comutantes. A razão é que é mais provável que o indivíduo escolha destinos potenciais distantes nesses conjuntos de dados. Nestes casos, a precisão de predição do modelo OPS, em que o indivíduo tende a escolher destinos potenciais distantes, é mais próxima da do modelo UO. Medimos ainda os fluxos previstos por diferentes modelos em comparação com os fluxos reais e descobrimos que os fluxos médios previstos pelo nosso modelo estão mais de acordo com as observações reais do que os outros três modelos (ver detalhes em Informações Suplementares, Comparação entre modelos diferentes). Também usamos um índice estatístico frequentemente usado, denominado root mean square error (RMSE), para medir os erros de predição do modelo UO e dos outros três modelos, e a Tabela 1 lista os resultados. Na tabela, podemos ver que na maioria dos casos, o RMSE do modelo UO é menor do que o dos outros modelos de benchmark, embora o RMSE não seja o objetivo de otimização de parâmetros do modelo UO. Esses resultados provam que os três modelos apenas capturam o comportamento de seleção de destino do indivíduo em uma escala espaço-temporal específica. No entanto, nosso modelo UO pode descrever com precisão o comportamento de seleção de destino do indivíduo em diferentes escalas espaço-temporais.

Comparando a precisão de previsão do modelo UO, o modelo de radiação, o modelo OPS e o modelo OO em termos de SSI.


17.11 Instalando R e Oracle R Enterprise para Funções Lógicas SQL Externas

As funções SQL lógicas externas, como EVALUATE_SCRIPT, FORECAST e CLUSTER, alimentam os dados de entrada para o processo R independente ou para o Oracle R Enterprise. Portanto, para criar análises que incluam essas funções, você deve instalar o mecanismo externo R ou Oracle R Enterprise em seu ambiente.

R é um ambiente amplamente usado para computação estatística e gráficos e pode ser usado com muitas fontes de dados diferentes, incluindo arquivos externos ou bancos de dados. O Oracle R Enterprise é instalado especificamente para uso com o banco de dados Oracle e torna a linguagem de programação estatística R de código aberto e o ambiente pronto para uso pelo Oracle BI EE.

17.11.1 Instalando Pacotes R e R

Para criar análises usando as funções lógicas SQL externas de analítica avançada, você deve instalar R e os pacotes R necessários.

17.11.1.1 Antes de iniciar a instalação

Você precisa instalar a versão 3.1.1 R distribuída com o Oracle BI. Você pode encontrar o instalador R no seguinte local do ambiente Oracle BI:

A instalação distribuída do R suporta Linux (OLE 6 e OLE 7) e Windows (7 e 8).

17.11.1.2 Instalando pacotes R e R em plataformas UNIX

Use os procedimentos nesta seção para instalar os pacotes R e R em plataformas UNIX. Consulte "Antes de iniciar a instalação" para obter informações gerais sobre os pré-requisitos.

Antes de executar a instalação, observe as seguintes informações importantes e tarefas necessárias:

Execute RInstaller.sh como root ou usando o comando sudo. Consulte o README.txt incluído em r-installer.tar.gz para obter mais informações.

Localize proxy.txt na pasta RInstaller e edite-o para incluir os detalhes do servidor proxy.

Para OLE 7, antes de instalar a distribuição Oracle R, você precisa instalar os RPMs TexLive e TexInfo.

As versões RPM necessárias são: texlive-epsf-svn21461.2.7.4-32.el7.noarch.rpm e texinfo-tex-5.1-4.el7.x86_64.rpm.

Baixe os RPMs e instale-os usando rpm -ivh & ltrpm_name & gt.

Você deve instalar os RPMs nesta ordem específica: texlive e depois texinfo.

Para instalar o R ​​em plataformas UNIX:

Abra uma linha de comando, navegue até o local do instalador e digite o seguinte para descompactar e executar o instalador R distribuído:

Para instalar pacotes R em plataformas UNIX

Para plataformas UNIX, depois de instalar o R, na mesma linha de comando execute o seguinte comando para baixar e instalar os pacotes R necessários (forecast, mvoutlier, randomForest, RJSONIO e matrixcalc). A execução desse comando também instala o pacote OBIEEAdvancedAnalytics R. O instalador usa as informações de proxy do proxy.txt para baixar os pacotes do CRAN.

17.11.1.3 Instalando pacotes R e R no Windows

Use os procedimentos nesta seção para instalar os pacotes R e R no Windows. Consulte "Antes de iniciar a instalação" para obter informações gerais sobre os pré-requisitos.

Antes de executar a instalação, observe as seguintes informações importantes e tarefas necessárias:

Localize proxy.txt na pasta RInstaller e edite-o para incluir os detalhes do servidor proxy.

Antes de instalar o R ​​no Windows, você deve confirmar se seu ambiente Windows contém os utilitários wget e unzip. Você pode baixar esses utilitários nos seguintes locais:

Localize e abra o NQSConfig.INI. Na seção ADVANCE_ANALYTICS_SCRIPT, atualize a propriedade R_EXECUTABLE_PATH para apontar para o caminho do executável R. Por exemplo:

R_EXECUTABLE_PATH = "C: / Arquivos de programas / R / R-3.1.1 / bin / x64 / R"

Usando um utilitário zip, descompacte r-installer.tar.gz.

Se ainda não o fez, vá para a pasta RInstaller, localize proxy.txt e edite-o para incluir os detalhes do servidor proxy.

Para executar o instalador, vá para a pasta RInstaller onde descompactou r-installer.tar.gz, localize e execute './Rinstaller.bat install' em uma sessão de linha de comando.

Para instalar pacotes R no Windows:

Depois de instalar o R, execute o seguinte comando na mesma linha de comando para baixar e instalar os pacotes R necessários (forecast, mvoutlier, randomForest, RJSONIO e matrixcalc). A execução desse comando também instala o pacote OBIEEAdvancedAnalytics R.

17.11.2 Instalação do Oracle R Enterprise e dos pacotes R necessários no banco de dados Oracle

O Oracle BI EE usa o mecanismo R incluído no Oracle R Enterprise em vez de R.O Oracle BI EE pode usar a opção de colocation do Oracle R Enterprise, onde os dados podem residir no banco de dados Oracle R Enterprise. (Na opção de não colocação, os dados não residem no banco de dados Oracle R Enterprise.)

Consulte "Antes de iniciar a instalação" para obter mais informações. Se você estiver usando bancos de dados diferentes do Oracle Database, consulte "Instalando pacotes R e R" para obter mais informações.

17.11.2.1 Antes de iniciar a instalação

O Oracle BI EE requer que você instale o Oracle R Enterprise versão 1.4 ou 1.4.1. Consulte a Tabela 17-11 para obter mais informações.


Assista o vídeo: Sistema de Projeção Cilíndrica Oblíqua Teoria Elementar do Desenho Projetivo (Dezembro 2021).