Показаны записи 13571 - 13580 из 56266
</>
Re: Могущественный аптайм = Разум; Ноосфера и т.п.
metanymous в посте Metapractice (оригинал в ЖЖ)
То что системные идеи не могут переживаться от нутреннего источника есть уникальный феномен.
Ну, это переживание ээ СИСТЕМНОГО знания. Естественно, при таком подходе идеи не могут воспринимать как типа имеющие внутренний источник. Ну, то есть как в ТРИЗе типа – "инновация" есть просто следование/улавливание объективных законов развития систем.
Заметил, что вокруг "настроя" Аптайм (на границе контекстов, в которых задействую аптайм) у меня формируется некий мета-настрой "понимания/знания реальности".
Ключевой вопрос куда спроецировано твое понимание/знание реальности:
(а) буквально во вне. И даже если речь идет о неких масштабных идеях/представлениях, то все равно они воспринимаются как бы твои и одновременно отчужденные от тебя сущности.
Это приводит нас к догадке, что когда Грегори Бейтсон говорит в своем учении об эпистемологии а наличии во вне мыслителя некоего «разума», то на самом деле речь идет о феномене переживания мощного мыслительного аптайм мощным мыслителем.
Думаю, что и ноосфера Вернадского на эту же тему, по крайней мере, одной своей компонентой.
И далее, и далее вплоть до древних греческих философов, которые через одного утверждали о существовании самим по себе идей во внешнем мире и т.п.
Ключевой вопрос куда спроецировано твое понимание/знание реальности:
(а) буквально во вне. И даже если речь идет о неких масштабных идеях/представлениях, то все равно они воспринимаются как бы твои и одновременно отчужденные от тебя сущности.
Это приводит нас к догадке, что когда Грегори Бейтсон говорит в своем учении об эпистемологии а наличии во вне мыслителя некоего «разума», то на самом деле речь идет о феномене переживания мощного мыслительного аптайм мощным мыслителем.
Думаю, что и ноосфера Вернадского на эту же тему, по крайней мере, одной своей компонентой.
И далее, и далее вплоть до древних греческих философов, которые через одного утверждали о существовании самим по себе идей во внешнем мире и т.п.
если мы говорим о текстовых языкоидах. поправляйте, если не прав!
Языкоиды
Языкоид есть разнообразной природы процессы ситуационной семантизации и последующей десемантизации любых элементов экспрессии человека, животных, природных явлений и т.п.
есть текст, который в стандартном понимании состоит из слов. смысл текста -- это смысл отдельных слов, групп слов, сочетаний слов. но языкоид предполагает концепцию, когда смысл/образ/посыл текста определяется не только словами, но и другими атрибутами текста.
фактически, (как я понимаю) задача поиска языкоидов/видов языкоидов в тексте предполает поиск и выделение атрибутов, которые связаны с передачей некоторого смысла/образа/меседжа текста.
таким образом, алгоритмы машинного обучения должны быть нацелены на поиск скрытых атрибутов текста (формы слов, форма/структура текста и т.д.), которые задействованы в передаче месседжа наравне со словами.
Машинное обучение
Одна из классических задач машинного обучения в анализе текстов -- это, например, определение является ли текст спамом или нет.
Для решения этой задачи используется обучающее множество, т.е. множество текстов, о которых уже известно являются ли они спамом или нет. при этом, при обучении мы представляем алгоритмам обучения текст с меткой спам или не спам. алгоритмы машинного обучения ищут закономерности, которые позволяют определить то является текст спамом или не является. это этап обучения. обучение может быть успешным (сходиться) или не быть успешным. обеспечение успешности обучения как задача алгоритмов машинного обучения, так и задача подбора обучающих текстов. фактически, есть неявное правило, что по крайней мере эксперт по обучающему множеству должен быть способен выявить является ли конкретный текст спамом или не является. возможна ситуация, когда эксперт может выявить, но алгоритмы не сходятся, скорее всего это свидетельствует о некоторых неявных данных, которые способен выделить эксперт, но которые не предоставлены алгоритмам машинного обучения в обучающем множестве.
после успешного обучения. мы получаем возможность использовать обученную систему. теперь в нашем примере мы можем подать на вход некий текст и получить ответ явлется ли он спамом или нет?
Как можно использовать алгоритмы машинного обучения для поиска языкоидов
Одна из формулировок задачи анализа языкоидов, например, такова.
Для фрагментов текстов мы определяем некоторые категории.
Человеческий ввод:
Берём тексты. Прописываем для фрагментов этих текстов категории.
Далее программно формируем обучающее множество, в котором передаём в алгоритмы машинного обучения информацию о структуре текста, о том какие фрагменты к каким категориям относятся, информацию о стандартных атрибутах слов (форма, падеж, склонение и т.п.).
Происходит обучение на основе обучающего множества.
Далее, можно попробовать формулировать тексты и наблюдать то, как эти тексты разберёт на языкоиды (т.е. к каким категориям отнесёт те или иные фрагменты текста) обученная система.
Данный разбор обученной системой может подсказать исследователю те или иные закономерности, на основании которых он может сформулировать определённые правила/законы о языкоидах.
(К сожалению, Google Prediction API не позвоялет непосредственно выделить "знания" об атрибутах связаных с теми или иными языкоидами. Эта возможность просто не реализована в API Google-а).
Языкоиды
Языкоид есть разнообразной природы процессы ситуационной семантизации и последующей десемантизации любых элементов экспрессии человека, животных, природных явлений и т.п.
есть текст, который в стандартном понимании состоит из слов. смысл текста -- это смысл отдельных слов, групп слов, сочетаний слов. но языкоид предполагает концепцию, когда смысл/образ/посыл текста определяется не только словами, но и другими атрибутами текста.
фактически, (как я понимаю) задача поиска языкоидов/видов языкоидов в тексте предполает поиск и выделение атрибутов, которые связаны с передачей некоторого смысла/образа/меседжа текста.
таким образом, алгоритмы машинного обучения должны быть нацелены на поиск скрытых атрибутов текста (формы слов, форма/структура текста и т.д.), которые задействованы в передаче месседжа наравне со словами.
Машинное обучение
Одна из классических задач машинного обучения в анализе текстов -- это, например, определение является ли текст спамом или нет.
Для решения этой задачи используется обучающее множество, т.е. множество текстов, о которых уже известно являются ли они спамом или нет. при этом, при обучении мы представляем алгоритмам обучения текст с меткой спам или не спам. алгоритмы машинного обучения ищут закономерности, которые позволяют определить то является текст спамом или не является. это этап обучения. обучение может быть успешным (сходиться) или не быть успешным. обеспечение успешности обучения как задача алгоритмов машинного обучения, так и задача подбора обучающих текстов. фактически, есть неявное правило, что по крайней мере эксперт по обучающему множеству должен быть способен выявить является ли конкретный текст спамом или не является. возможна ситуация, когда эксперт может выявить, но алгоритмы не сходятся, скорее всего это свидетельствует о некоторых неявных данных, которые способен выделить эксперт, но которые не предоставлены алгоритмам машинного обучения в обучающем множестве.
после успешного обучения. мы получаем возможность использовать обученную систему. теперь в нашем примере мы можем подать на вход некий текст и получить ответ явлется ли он спамом или нет?
Как можно использовать алгоритмы машинного обучения для поиска языкоидов
Одна из формулировок задачи анализа языкоидов, например, такова.
Для фрагментов текстов мы определяем некоторые категории.
Человеческий ввод:
Берём тексты. Прописываем для фрагментов этих текстов категории.
Далее программно формируем обучающее множество, в котором передаём в алгоритмы машинного обучения информацию о структуре текста, о том какие фрагменты к каким категориям относятся, информацию о стандартных атрибутах слов (форма, падеж, склонение и т.п.).
Происходит обучение на основе обучающего множества.
Далее, можно попробовать формулировать тексты и наблюдать то, как эти тексты разберёт на языкоиды (т.е. к каким категориям отнесёт те или иные фрагменты текста) обученная система.
Данный разбор обученной системой может подсказать исследователю те или иные закономерности, на основании которых он может сформулировать определённые правила/законы о языкоидах.
(К сожалению, Google Prediction API не позвоялет непосредственно выделить "знания" об атрибутах связаных с теми или иными языкоидами. Эта возможность просто не реализована в API Google-а).
Есть Google Prediction API. Оно хорошо тем, что позволяет обрабатывать достаточно большие объемы данных (быстро и эффективно) и, в принципе, подходит для одного частного решения рассматриваемой в посте задачи. Пока программой для исследования языкоидов я заняться не могу, у меня все ещё подготовка к курсу у студентов. Смогу ближе к концу зимы, к весне, когда более или менее освобожусь.
У меня есть затруднение в понимании сущности языкоидов. До сих пор я не мог сформулировать понимание того, какой интерфейс программы (и в дальнейшем подход по выбору алгоритмов) нужен/оптимален для решения задачи анализа языкоидов с помощью машинного обучения. Пару разборов текста для анализа языкоидов я наблюдал, но желательно больший набор текстов для поиска языкоидов. Если можно, то хотя бы по одному разбору для всех видов языкоидов, которые известны на данных момент. (Можно просто ссылками на уже существующие разборы ну или подсказкой по тому, где их можно искать, такие разборы текстов.) Это нужно для формулирования понимания того, какой интерфейс нужно реализовать для программы по анализу языкодов.
Хотя, т.к. Google Prediction API заточено под решение определённого класса задач, то в общем, частично с интерфейсом для программы поиска языкоидов я более или менее определился (есть ограничения на алгоритмы в Google Prediction API). Но на этапе проектирования программы неплохо было бы понимать, что она сможет сделать, а что скорее всего нет (из-за ограничений по алгоритмам).
Фактически, программа по анализу языкоидов будет способна на выделение определённых закономерностей для слов, групп слов, фрагментов текстов. Как у человека формируется метанойя, так и программа (с использованием Google Prediction API) будет обобщать некоторые данные и давать возможность получить предсказание на основе обучаемого набора данных.
Но такое предсказание будет требовать достаточно большие объемы данных для обучения.
Самая сложная задача в использовании данной программы -- это подготовка достаточного объема входных данных. Т.к. всеже алгоритмы банально находят некоторые закономерности только при достаточном количестве данных. Поэтому есть смысл планировать уже сейчас обработку достаточно больших объемов текстов. Со своей сторорны я постараюсь реализовать программу (интерфейс программы) так, чтобы максимально упростить обработку больших объемов текстов, так чтобы подготовка обучающих данных была максимально простой, быстрой и эффективной.
На данный момент в разработке программы можно помочь подсказав ссылки на разбор текстов по анализу языкоидов.
P.S. Google Prediction API в принципе позволяет обрабатывать достаточно большие объемы данных, достаточно быстро, что скорее всего, позволит обойти ограничения по сложности (как если бы мы использовали собственные вычислительные средства). Все же задачи по обработке текста весьма ресурсоёмки. Предполагаю, что Google Prediction API позволит решить проблемы ограниченности собственных вычислительных ресурсов. К примеру, свести машинное обучение для одного эксперимента от недельного срока, к меньшему времени. Для свободного использования Google Prediction API есть ограничения, но думаю, это не самые сложные вопросы, учитывая преимущества по вычислительным мощностям.
У меня есть затруднение в понимании сущности языкоидов. До сих пор я не мог сформулировать понимание того, какой интерфейс программы (и в дальнейшем подход по выбору алгоритмов) нужен/оптимален для решения задачи анализа языкоидов с помощью машинного обучения. Пару разборов текста для анализа языкоидов я наблюдал, но желательно больший набор текстов для поиска языкоидов. Если можно, то хотя бы по одному разбору для всех видов языкоидов, которые известны на данных момент. (Можно просто ссылками на уже существующие разборы ну или подсказкой по тому, где их можно искать, такие разборы текстов.) Это нужно для формулирования понимания того, какой интерфейс нужно реализовать для программы по анализу языкодов.
Хотя, т.к. Google Prediction API заточено под решение определённого класса задач, то в общем, частично с интерфейсом для программы поиска языкоидов я более или менее определился (есть ограничения на алгоритмы в Google Prediction API). Но на этапе проектирования программы неплохо было бы понимать, что она сможет сделать, а что скорее всего нет (из-за ограничений по алгоритмам).
Фактически, программа по анализу языкоидов будет способна на выделение определённых закономерностей для слов, групп слов, фрагментов текстов. Как у человека формируется метанойя, так и программа (с использованием Google Prediction API) будет обобщать некоторые данные и давать возможность получить предсказание на основе обучаемого набора данных.
Но такое предсказание будет требовать достаточно большие объемы данных для обучения.
Самая сложная задача в использовании данной программы -- это подготовка достаточного объема входных данных. Т.к. всеже алгоритмы банально находят некоторые закономерности только при достаточном количестве данных. Поэтому есть смысл планировать уже сейчас обработку достаточно больших объемов текстов. Со своей сторорны я постараюсь реализовать программу (интерфейс программы) так, чтобы максимально упростить обработку больших объемов текстов, так чтобы подготовка обучающих данных была максимально простой, быстрой и эффективной.
На данный момент в разработке программы можно помочь подсказав ссылки на разбор текстов по анализу языкоидов.
P.S. Google Prediction API в принципе позволяет обрабатывать достаточно большие объемы данных, достаточно быстро, что скорее всего, позволит обойти ограничения по сложности (как если бы мы использовали собственные вычислительные средства). Все же задачи по обработке текста весьма ресурсоёмки. Предполагаю, что Google Prediction API позволит решить проблемы ограниченности собственных вычислительных ресурсов. К примеру, свести машинное обучение для одного эксперимента от недельного срока, к меньшему времени. Для свободного использования Google Prediction API есть ограничения, но думаю, это не самые сложные вопросы, учитывая преимущества по вычислительным мощностям.
--Так, ты еще не определил ни где у тебя на компе эго. И не определил что/какие процессы есть "сознание". Так, откуда у тебя на компе возьмется какое-то подсознание?
--Почему не определил? Эго - часть пользовательского интерфейса. Диалоговые окошки + обои рабочего стола + м.б. иконки рабочего стола. Сознание - пользователь.
Нет – нет, в этой метафоре мы каким-то процессом переносим сознание «в компьютер».
И, если ты настаиваешь еще и на рассмотрении сознания пользователя, то мы на это случай называем такое сознание «надсознанием». И, ежели мы затем переносим результаты моделирования метафоры обратно на нас самих, то «сознание пользователя» будет соответствовать какому-то варианту вне человеческого сознания или, например, любому варианту трансперсонального сознания в системе идей учения Грофа.
Железо компа – физиология. Программы микроконтроллеров – бессознательное. Операционная система + основной системный софт – подсознание. Всё чётко же, нет? :)
Микроконтроллеры в роли бессознательного это интересно.
--Почему не определил? Эго - часть пользовательского интерфейса. Диалоговые окошки + обои рабочего стола + м.б. иконки рабочего стола. Сознание - пользователь.
Нет – нет, в этой метафоре мы каким-то процессом переносим сознание «в компьютер».
И, если ты настаиваешь еще и на рассмотрении сознания пользователя, то мы на это случай называем такое сознание «надсознанием». И, ежели мы затем переносим результаты моделирования метафоры обратно на нас самих, то «сознание пользователя» будет соответствовать какому-то варианту вне человеческого сознания или, например, любому варианту трансперсонального сознания в системе идей учения Грофа.
Железо компа – физиология. Программы микроконтроллеров – бессознательное. Операционная система + основной системный софт – подсознание. Всё чётко же, нет? :)
Микроконтроллеры в роли бессознательного это интересно.
Милли — женщина, с которой я работаю на этой демонстрации, — подошла к моему секретарю за завтраком в последний день семинара по продажам. Она сказала, что за несколько месяцев прибавила в весе около 25 фунтов и хочет похудеть, не становясь одержимой диетами и не превращая этот процесс во всепоглощающую борьбу. Она хотела либо не беспокоиться о своем весе, либо найти эффективное средство для его снижения. Так как у меня не было времени, чтобы заняться этим после семинара, я предложил ей подняться на сцену в качестве объекта демонстрации в конце последнего дня. Как и в предыдущих главах, в действительности дело не в избыточном весе; задача состоит в том, чтобы научиться управлять вниманием.
Это тебя запутало?
Это тебя запутало?
</>
Разум субстрато-зависим. Душа субстрато-независима.
metanymous в посте Metapractice (оригинал в ЖЖ)
Психические процессы с учетом такого ограниченного количества и качества движений претерпят существенные изменения. Это будет другая личность, если вообще будет личность.
А я с вами согласен. Будет другая личность2. Но, вопрос тут в другом:
-- будет ли эта другая личность2 "помнить" о личности1
--будет ли эта другая личность2 помнить о личности1 как о себе самой
...иными словами, будет ли у личности2 полное отождествление с личностью1 в роли своей предистории.
Даже голова профессора Доуэля страдала без движений.
Ну, моделью головы профессора Д. есть люди полностью парализованные от шеи. И не имеющие никакой чувствительности. Вроде они какое-то время как--то могут жить. Но, сильно страдают.
Но, если мы возьмем пример известного физика больного ДЦП и парализованного полностью, то он хот и страдает, но даже творит.
--Разработчики нейронета делают вывод: Ученые пытаются различными способами создать имитацию мозговой активности. Среда SIM (Substrate-Independent Mind) является областью исследований, которая, возможно, даст представление о работе мозга и нервной системы различных видов живых существ, включая человека, для того чтобы облегчить эмуляцию этих организмов в искусственном субстрате, в данном случае представляющем собой процессор компьютера.
--Встает вопрос о методологической правомерности т.н. Substrate-Independent Mind. Разум/душа являются субстрат-зависимыми.
Вы смешиваете два принципиально разных представлениия. Но, Разум и Душа это разные вещи/явления.
Разум субстрато-зависим.
Душа субстрато-независима.
А я с вами согласен. Будет другая личность2. Но, вопрос тут в другом:
-- будет ли эта другая личность2 "помнить" о личности1
--будет ли эта другая личность2 помнить о личности1 как о себе самой
...иными словами, будет ли у личности2 полное отождествление с личностью1 в роли своей предистории.
Даже голова профессора Доуэля страдала без движений.
Ну, моделью головы профессора Д. есть люди полностью парализованные от шеи. И не имеющие никакой чувствительности. Вроде они какое-то время как--то могут жить. Но, сильно страдают.
Но, если мы возьмем пример известного физика больного ДЦП и парализованного полностью, то он хот и страдает, но даже творит.
--Разработчики нейронета делают вывод: Ученые пытаются различными способами создать имитацию мозговой активности. Среда SIM (Substrate-Independent Mind) является областью исследований, которая, возможно, даст представление о работе мозга и нервной системы различных видов живых существ, включая человека, для того чтобы облегчить эмуляцию этих организмов в искусственном субстрате, в данном случае представляющем собой процессор компьютера.
--Встает вопрос о методологической правомерности т.н. Substrate-Independent Mind. Разум/душа являются субстрат-зависимыми.
Вы смешиваете два принципиально разных представлениия. Но, Разум и Душа это разные вещи/явления.
Разум субстрато-зависим.
Душа субстрато-независима.
старший преподаватель на кафедре психологии личности в НГУ. Был инициатором выпуска юбилейного "Вестника НГУ" со статьями на тему бихевиоризма. Ну и до кучи сам представитель Фонда Скиннера в РФ.
Личностная психология не совместима с бихевиоризмом.
Личностная психология не совместима с бихевиоризмом.
Бихевиоризм в Российской психологии скорее мертв, чем жив. Товарищ, который вел у нас поведенчески-ориентированное психоконсультирование рассказывал о том, как он съездил на конференцию (? - могу путать) ППЛ. Так в связи с неимением у них бихевиористов, его запихнули в секцию с какими-то парапсихологами, шаманами и прочими шизотериками.
Из имен могу назвать Владимира Ромека:
www.behavior.romek.ru
www.romek.name
и Александра Фёдорова. Последний, кстати, старший преподаватель на кафедре психологии личности в НГУ. Был инициатором выпуска юбилейного "Вестника НГУ" со статьями на тему бихевиоризма. Ну и до кучи сам представитель Фонда Скиннера в РФ.
Сам товарищ, преподававший нам указанный предмет, работал социальным педагогом, обучал детей-аутистов по программе PECS, которая основывается на идеях Скиннера о "вербальном поведении".
Из имен могу назвать Владимира Ромека:
www.behavior.romek.ru
www.romek.name
и Александра Фёдорова. Последний, кстати, старший преподаватель на кафедре психологии личности в НГУ. Был инициатором выпуска юбилейного "Вестника НГУ" со статьями на тему бихевиоризма. Ну и до кучи сам представитель Фонда Скиннера в РФ.
Сам товарищ, преподававший нам указанный предмет, работал социальным педагогом, обучал детей-аутистов по программе PECS, которая основывается на идеях Скиннера о "вербальном поведении".
Дочитали до конца.