Ok, tak s tim by se pracovat dalo, minimalne si pekne pohrajes. Byl bych teda dost skepticky k moznosti nejakeho vyrazne zajimaveho vysledku, ale pro uceni dobry a treba v prubehu zkouseni cile predefinujes na neco trochu realistictejsiho
Dekuji, urcite se na to podivam.
K problematice ML existuje strasne moc materialu a bez studia aspon zakladnich pojmu/konceptu nema vubec smysl se o neco pokouset. xyz uvedl spravny klicovy slova. Ke kazdemu tomu konceptu existuje nekolik ruznych implementaci. Je potreba si nastudovat alespon highlevel, jake maji vlastnosti (jake vyzaduji vstupy, jake realisticky muzou nebo nemuzou poskytnout vystupy apod.).
Nastesti uz existuje dost nastroju, se kteryma se da hrat i kdyz clovek zna fakt jenom zaklady. Neni nutne potreba znat detaily implementace jednotlivych metod, na to uz je fakt dostatek knihoven a/nebo i klikacich nastroju.
influxdb
InfluxDB ma pro ucely analyzy dat nectnost v tom, ze je dost komplikovane az nemozne z nej rozumne dostat vetsi objemy dat. Nastesti v tom tvem pidiobjemu se to nejspis vubec neprojevi. Trochu prace budes mit s dostanim dat do potrebneho tvaru, ale velky plus je, ze sql i influxdb ti aspon zaruci spravne typy dat per measurement, nemuze se ti stat, ze bys tam mel nejake vylozene smeti...
Pokud je to algoritmus, ktery jsi naprogramoval, v cem spociva ta nejistota?
nejistota je hlavně k příkladu v případě, že to algoritmu vstupuje počasí, nebo jsou mezní hodnoty barevných proměnných, např. připadne-li akce na den, kdy je podle kalendáře státní svátek a systém neumí s jistou říct, že přijdou popeláři a je třeba otevřít branku pro popelnici
To neni nejistota. Bud algoritmus vi, ze je svatek a ve svatek popelari nejezdi, takze (spravne) branku neotevre, nebo to nevi a branku (chybne) otevre. To je mozna chybejici vstup nebo nedokonaly algoritmus, ale ne nejistota. Nejistota je, kdyz ti treba predpoved pocasi rika, ze za tri dny bude kolem poledne prset, ale je to jenom s 60%ni pravdepodobnosti.
chápu, ale věřil jsem, že se už někdo něčím podobným zabýval a nasměruje mě konkrétně. Ale asi jsem se mylil, a možná to celé je blbost. Ale před tím, než to úplně zavrhnu si o tom chci co nejvíce nastudovat a popřípadě otestovat na jednoduchých usecase
Neni to blbost. Ale je to prilis velke sousto a existuji konkretni argumenty, proc se lze opravnene domnivat, ze to nebude uspesne tak, jak si to predstavujes
Kazdou aplikaci ML musis zacit tim, ze si udelas poradek ve svych myslenkach. Co bych vlastne presne chtel, aby ten system umel? Ma umet zapnout topeni pul hodiny pred tim, nez obvykle prijizdim domu (aniz bych mu rikal, kdy to je - sam si to rozpozna)? Ma umet stahnout markyzu pul hodiny pred tim, nez zacne vitr? apod.
Tohle zabere dost casu a neni moc jasny, jak presne to udelat. Fantazii se meze nekladou, ale cim min mezi, tim z toho vypadne slozitejsi a hur uchopitelne zadani.
Mne osobne prijde strasne inspirativni pribeh, jak Jeff Hawkins vymyslel PDA. Udelal si
dreveny model sve predstavy PDAcka a kdyz mel nejakou schuzku, tak
predstiral, ze si tam zapisuje poznamky, udalosti do kalendare...[1] Pecka jak svina!
Mozna bych takhle nejak zacal i s tou analyzou HA. Predstirej, ze nejaka genialni AI neco s tim barakem sama dela. A zapisuj si, co a kdy udelala. Treba ti z toho nejaky dobry zadani vzejde. Anebo taky uz v tehle fazi zjistis, ze cela ta myslenka je pitomost. Coz je taky cennej objev
Kazdopadne v zadnym pripade nedoporucuju cestu "tady mam
nejaky data a
neco s nima chci delat". To nikdy nikam nevede, je to zarucene slepa cesta, mnohokrat overeno mnoha lidmi a projekty...
[1] viz napr.
https://albertosavoia.medium.com/the-palm-pilot-story-1a3424d2ffe4