Fast so, als wäre das ein tatsächlicher Anwendungsfall für
KILLMMachine Learning: Man hat eine (nahezu) bias-freie Aufzeichnung von Daten, aus der das Modell zukünftige Werte ableiten kann.Naja, das ist quasi der Anwendungsfall für ML. Eine große Datenmenge verarbeiten und dann aus diesen Daten die warscheinlichsten Szenarien für bestimmte Parameter berechnen. Das ist Wettervorhersage.
Ich habe noch überlegt, ob ich das
/sdahinter packe, weil ja, wie du sagst ist das eben der Anwendungsfall.Ich habs vermutet, aber man kann sich leider nie ganz sicher sein.
Riecht eigentlich mehr nach Markov chains als nach regression von nicht linearen lösungsräumen.
Wenn meine inputmenge derart gigantisch ist sollte ich über bayessche Modelle doch viel genauer und effektiver zum Ziel kommen.
doof nur, daß wir heftig in ein nicht-lineares system eingreifen, das sich bis nach ende der anreicherung der atmosphäre mit treibhausgasen mehr und mehr chaotisch verhalten wird, so daß sich aus den bisherigen daten immer unzuverlässiger das wetter extrapolieren lassen wird. aber viel computer hilft bestimmt.
Wir messen ja weiterhin, da kan auch alle halbe Jahr das Model neu trainiert werden.
Aber das Trainieren der KI ging ganz ohne CO2? Interessant.
Da steht einmal “ohne Supercomputer” und einmal “mit weniger CO2”, hab ich ein “0 CO2” uebersehen?
