Тогда, можно будет на Julia создать флинковский вариант декларативного программирования потоковой обработки на кластере типа:

public class FraudDetectionJob {

    public static void main(String[] args) throws Exception {
        StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();

        DataStream<Transaction> transactions = env
            .addSource(new TransactionSource())
            .name("transactions");
        
        DataStream<Alert> alerts = transactions
            .keyBy(Transaction::getAccountId)
            .process(new FraudDetector())
            .name("fraud-detector");

        alerts
            .addSink(new AlertSink())
            .name("send-alerts");

        env.execute("Fraud Detection");
    }
}

новая заметка о Flux
https://sdobber.github.io/FA_LSTNet/

С flux, кстати, какие-то проблемы (по крайней мере у меня). Если в нейронной сети 1 и более скрытый слой, нейронка на выходе всегда будет отдавать NaN, внезависимисти от других параметров

скорее всего, локальные проблемы. Иначе бы их собственные модели не работали - https://github.com/FluxML/model-zoo

this is the video that I commented

Thanks for reminding! Hour and half left before the start

you are welcome

Ребята, разбирающиеся в нейронках, видели ли вы данный материал?

Правильно ли из него сделать предположение, что чем больше скрытых слоев - тем лучше точность нейронной сети?

И да и нет, так просто это не работает

:(

Не забывайте про "проклятие переобучения" и корнер кейс когда построенная модель может давать 100% точность на обучающей выборке и и 0% на тестовой. С числом скрытых слоев связано не в последнюю очередь

гиперпараметризированная сеть сможет выучить более сложные вещи.

и да, чем глубже\шире сеть тем лучшее ее метрики обычно. но тупо стакать слои не всегда работает, как говорят. иногда можно наоборот.


но в общем можно сказать, что если хочется получится более лучшие метрики брутфорсом, то можно увеличить количество параметров сети.

Понял, спасибо за помощь

лучше сюда - https://www.asimovinstitute.org/news/

там слева снизу есть секция BLOG

не слышал никогда про проклятие переобучения)))

есть проклятие рамерности)


переобучение, вообще не сильно характерно гиперпараметризированным сетям. при должной регуляризации, конечно же. но даже и без нее, все может работать.

тот же юнет, умеет учиться довольно хорошо на маленьком колве примеров, при этом имея кратно больше параметров, чем видит примерров

Вроде есть теорема, что какая-то не очень глубокая сеть может какую угодно функцию аппроксимировать

"не слышал никогда про проклятие переобучения)))"
Ну это не значит что его нет:)
Собственно все методы/алгоритмы pruning  - про это