Здравствуйте, Miroff, Вы писали:

M>"Заранее заданные свойства" в данной задаче это, например, "нужен белок который хорошо связывается вот с этой штукой и только с ней". Классические алгоритмы такого не умеют и никогда уметь не смогут потому что будет белок свзываться или нет, зависит от структуры белка, причем не только от последовательности аминокислот, но еще и от того как он свернется в пространстве. А сворачиваются белки не только сами по себе, а еще и при помощи других белков, циркулирующих в клетке. Аналогично дело обстоит и с сайтом связывания. И обо всем этом биологи имеют весьма расплывчатое представление. Зачастую, для классических моделей просто не хватает достоверных данных. Зато нейросети с такими задачами справляются прекрасно.

Все верно. Я сам до того, как окончательно уйти в программисты, занимался такими расчетами в химии. Оценка свойств органических веществ и поиск веществ с заранее заданными свойствами.
Точной теории там нет. Точнее, она есть (квантовая химия), но задача слишком сложна и результаты расчета получаются неудовлетворительными. А если речь идет о свойствах в конденсированной фазе (жидкости, твердые), то ее фактически вообще нет.
Поэтому используют т.н. эмпирические и полуэмпирические методы расчета. В них иногда есть следы теории, но, в общем, просто строится некая зависимость результирующей функции от состава молекулы, и по ней потом ищут вещества с нужной результирующей функцией. Для поиска параметров результирующей функции используют имеющиеся экспериментальные данные (реперные точки, так мы их называли). Чем их больше — тем лучше.

Было это давно, и, конечно, никакие нейросети я не использовал. Там была просто множественная линейная регрессия.

Есть и другие методы — классификация, кластеризация и т.д. В общем, возьми любой приличный учебник по machine learning, и там они все описаны. В том числе и основы нейросетей, это один из методов.

Идея хорошая, алгоритмы иногда (не всегда) работают хорошо.
Я только не пойму, зачем все это интеллектом называть, пусть даже искусственным. Ни при чем тут интеллект, это просто методы расчета.

Человеческий интеллект, судя по всему, работает как-то иначе. Я уже приводил этот пример, повторюсь.

Пятилетний ребенок с нормальным развитием всегда отличит на фотографии кошку от собаки. Причем любой породы кошку от любой породы собаки.
Кошки более или менее похожи друг на друга, а собаки не очень. Пудель не очень похож на овчарку, а они оба — на таксу.
А ведь отличит. Практически со 100% надежностью.

Сколько он видел в своей жизни кошек и собак ? Ну десяток, ну два. Сотню — вряд ли. Живых и на картинке. Видео исключим — дети 19 века тоже вполне могли это делать.

И не нужно ему 100500 реперных точек.

А вот дикобраза я живого, кажется, не видел. Когда впервые увидел его на картинке — не помню. Но увидев один раз, запомнил раз и навсегда, как он выглядит, и если мне попадется его фото или увижу его в натуре — не спутаю с ежом.

Вот это и есть интеллект. А как он работает — пока что неясно.

Здравствуйте, Miroff, Вы писали:

M>"Заранее заданные свойства" в данной задаче это, например, "нужен белок который хорошо связывается вот с этой штукой и только с ней". Классические алгоритмы такого не умеют и никогда уметь не смогут потому что будет белок свзываться или нет, зависит от структуры белка, причем не только от последовательности аминокислот, но еще и от того как он свернется в пространстве. А сворачиваются белки не только сами по себе, а еще и при помощи других белков, циркулирующих в клетке. Аналогично дело обстоит и с сайтом связывания. И обо всем этом биологи имеют весьма расплывчатое представление. Зачастую, для классических моделей просто не хватает достоверных данных. Зато нейросети с такими задачами справляются прекрасно.

Все верно. Я сам до того, как окончательно уйти в программисты, занимался такими расчетами в химии. Оценка свойств органических веществ и поиск веществ с заранее заданными свойствами.
Точной теории там нет. Точнее, она есть (квантовая химия), но задача слишком сложна и результаты расчета получаются неудовлетворительными. А если речь идет о свойствах в конденсированной фазе (жидкости, твердые), то ее фактически вообще нет.
Поэтому используют т.н. эмпирические и полуэмпирические методы расчета. В них иногда есть следы теории, но, в общем, просто строится некая зависимость результирующей функции от состава молекулы, и по ней потом ищут вещества с нужной результирующей функцией. Для поиска параметров результирующей функции используют имеющиеся экспериментальные данные (реперные точки, так мы их называли). Чем их больше — тем лучше.

Было это давно, и, конечно, никакие нейросети я не использовал. Там была просто множественная линейная регрессия.

Есть и другие методы — классификация, кластеризация и т.д. В общем, возьми любой приличный учебник по machine learning, и там они все описаны. В том числе и основы нейросетей, это один из методов.

Идея хорошая, алгоритмы иногда (не всегда) работают хорошо.
Я только не пойму, зачем все это интеллектом называть, пусть даже искусственным. Ни при чем тут интеллект, это просто методы расчета.

Человеческий интеллект, судя по всему, работает как-то иначе. Я уже приводил этот пример, повторюсь.

Пятилетний ребенок с нормальным развитием всегда отличит на фотографии кошку от собаки. Причем любой породы кошку от любой породы собаки.
Кошки более или менее похожи друг на друга, а собаки не очень. Пудель не очень похож на овчарку, а они оба — на таксу.
А ведь отличит. Практически со 100% надежностью.

Сколько он видел в своей жизни кошек и собак ? Ну десяток, ну два. Сотню — вряд ли. Живых и на картинке. Видео исключим — дети 19 века тоже вполне могли это делать.

И не нужно ему 100500 реперных точек.

А вот дикобраза я живого, кажется, не видел. Когда впервые увидел его на картинке — не помню. Но увидев один раз, запомнил раз и навсегда, как он выглядит, и если мне попадется его фото или увижу его в натуре — не спутаю с ежом.

Вот это и есть интеллект. А как он работает — пока что неясно.

И поэтому название топика от ТС "ИИ сделал открытие в математике" мне кажется совершенно неверным. Я бы написал так : "Разработан (или улучшен) один из методов машинного обучения для ..."