Нувот у тебя миллиард данных из равномерно го распределения. Можно все выкинуть и оставить лишь одно два числа

там нужно загружать обученные сетки или тренировать у них же? и вообще можно ли сетками решать? а то как-то там все примеры с рукописными агентами

можно сетками, если удастся завести, конечно

в смысле, если удастся? о.о

судя по отзывам с других RL соревок на каггле, полноценный Deep Reinforcement не всегда получается сделать сильнее правил/простых стат моделей

Ааа, думал лимиты там и поэтому проблемно) хз даже, мне показалось простым задание о.о посмотрим
спасибо, кстати, что сообщили о соревновании

а имеет ли значение порядок сэмплов в батче? скажем, по каким-то причинам, мы выбрали упорядоченные сэмплы 1, 2 и т.д. для батча... что даст перетасовка такого батча? ничего? ведь лосс, вроде, будет тем же

даже не то чтоб упорядоченные, а сильно скоррелированные

батч должен быть просто репрезантативным, чтобы его поверхность лосса была похожа на поверхность лосса на всей выборке, чтобы итерации шли в правильном направлении.

т.е. нет смысла сам батч доп. shuffle?

shuffle как раз и делает выборку репрезентативной, лишним не будет

на производительность это не сказывается, т.к. на самом деле перетасовывается массив индексов доступа к данным, а не самые данные

уточню, это если оно может случайно ДОБИРАТЬ или в принципе оно влияет? вопрос не в 123vs150, а в 123vs231

в общем случае, неизвестно, в каком порядке поступят данные, могут и коррелированное группироваться, что замедлит сходимость, поэтому при разбиении на батчи лучше перемешивать. достаточно один раз на глоальном уровне, как это делается например в pytorch DataLoader с флагом shuffle=true. после того, как батч получен, его мешать не надо, т.к. там все равно выполняются обычные матричные операции, индифферентные к порядку сэмплов

спасибо) правда стоило уточнить, что речь про RL и on-policy, а там особо не пошафлить на уровне "датасета", поэтому и спросил, а то вдруг прям влияет  порядок внутри батча

Скажите пожалуйста , в задании 2 #C1W2 нужно найти коэффициенты прямой w0 и w1 соответсвенно при заданных точках. Но функция scipy.linalg.solve находит сами аргументы при заданных коэффициентах, тогда как реализовать нахождение коэффициентов ?

Смотри, там фишка в том, что у тебя есть значения x и при подстановке в каждое слагаемое у тебя получается выражение в котором в роли неизвестных уравнения выступают веса

То есть

У тебя есть w0+w1*x + w2*x*x=f(x)

Допустим x=2

Тогда, к примеру