Büşra
@Divina
Şu anda okuduğu kitaplar
Lagrange Gevşetmesinin ardında yatan düşünce oldukça basittir. Bir optimizasyon probleminin iki bölümü vardır: Kurallar ve sonuçlar. Lagrange Gevşetmesinde problemin kısıtlarının bazılarını alır ve bunları sonuç kısmına yediririz. Yani imkansızı alırız ve bunu maliyetli sınıfına indirgeriz. (Örneğin bir düğün oturma planı optimizasyonunda her masanın en fazla 10 kişi alması kısıtını bırakılacak dirsek aralığı boşluğu cezaları ekleyerek gevşetebiliriz.) Bir optimizasyon probleminin kısıtları "Yap, yoksa ... " dediğinde Lagrange Gevşetme şöyle karşılık verir: "Ya yapmazsam?" Boyama yaptığımız fırçamızı sınır çizgilerinin dışına, çok az dışına bile olsa taşırsanız (çok büyük bir maliyetle bile olsa) daha önce çözülebilir olmayan problemler çözülebilir hale gelir.
Puan vermedi·496 syf.·
5 günde okudu
·2024 14. kitabı
Brian çocukken bir gün annesine yapmak zorunda olduğu şeylerden dert yanıyordu: Ödevleri, ev işleri... Annesi, "Teknik olarak hiçbir şey yapmak zorunda değilsin" diyerek yanıtladı. "Öğretmenlerinin dediklerini yapmak zorunda değilsin. Sana söylediklerimi yapmak zorunda değilsin. Kanunlara bile uymak zorunda değilsin. Her şeyin bir sonucu vardır ve sen bunlarla yüzleşmek isteyip istemediğine karar vermek zorundasın."
Eğer önünüzdeki problemi çözemiyorsanız, onun daha basit bir versiyonunu çözün ve daha sonra bu çözümün size gerçek ve tam problemin çözümü için bir başlangıç noktası ya da bir yol gösterimi sunup sunmadığına bakın. Belki de sunuyordur.
Gevşetme yaklaşımının sizlere sunamayacağı şey, kusursuz cevaba giden garanti bir kestirme yoldur. Ancak bilgisayar mühendisleri gevşetmenin zaman ile çözüm kalitesi arasındaki karşılıklı tavizde bulunmasını hesaplayabilmektedirler. Birçok durumda oran, düşünmeye bile gerek olmayacak kadar bariz bir şekilde ortadadır. Örneğin, kusursuz çözümün yarısı kadar iyi bir cevaba kusursuz çözüm için gerekli zamanın katrilyonda biri zamanda ulaşmak gibi. Buradaki mesaj basit ve oldukça etkilidir. Eğer kusursuza yakın çözümleri kabul etmeyi istiyorsak, etrafımızdaki en zorlu problemler bile doğru tekniklerle dize getirilebilir.
Bayes Kuralı hakkında bildiklerimizin ışığında insanların dikkat çekici bu performansı, insanların nasıl tahmin yaptığını anlamamıza yardım eden önemli bir şey ileri sürmektedir. Küçük veri, kılık değiştirmiş büyük veridir. Az sayıdaki gözlemden -ya da sadece birinden- hareketle genellikle iyi tahminlerde bulunmamızın nedeni öncüllerimizin oldukça zengin olmasıdır.