Machine learning 机器学习-亥姆霍兹机器实现

我正在寻找亥姆霍兹机器的实现

参考资料：

我正在寻找开源或免费的实现。我对java实现有偏好，但是其他语言（C、C++、C或Python）的实现将帮助我。

---

在我的网上搜索中，我只找到了abstrac对这种方法的描述，没有任何具体的实现。我希望这方面的任何专家都能提供更多信息。

我已经在您提供的链接上快速浏览了一下

我一直在“与一个人工智能感知小团队一起工作”。。。。。从1968年开始

我的想法如下：

所有事件都发生在“时间序列”中

就有知觉的观察者而言，过去的时间序列具有“高”概率

有知觉的观察者可以在“最佳”（时间序列）模型上预测未来的“预测”时间序列，当时间序列消失在未来时，该时间序列“成为过去时间序列”的概率减小到零，这可能发生在毫秒或数十亿年内-取决于模型动力学

我认为从来没有“现在”

不幸的是，在研究了卡尔曼滤波器和预测器并将其用于导弹瞄准后，我得出结论，人类能够提出的“数学表示”最佳算法（即模型）的整个“主题”是浪费时间，即使是最简单的“程序”正在做一项无法用数学符号表示的任务。。。所以我得出结论，“计算机算法”是“数学公式。。。i、 e.普通符号数学无法描述的公式（即程序优于复杂的数学符号系统）

数学对于“证明”和“大的统计思想”来说是很好的，但是。。。（我现在快结束了）。。。我会“相信”你自己的直觉，创造一个“模型”，预测未来最好的。。。。i、 它可能必须有“在美国每隔一个星期三”的概念，在它里面。。。还有成千上万的其他非数学“状态”或各种“公理”。。。这很好

那么你怎么问这在数学上是正确的呢

答案很简单，真的>>最好的模型-是预测未来的最好模型

未来总是出人意料地频繁出现——因此很容易测试——并不断测试

你所需要知道的是，你有最好的“数学”（即程序）是看有多少“噪音”或“预测偏差”存在于预测与时间序列中的实际结果之间

“状态空间”是用于此的最佳“数学”。。。i、 e.假设存在“基本状态”，然后假设您的“观察”只是该基本状态的有缺陷的“嘈杂或错误”观察-即系统输出信号“以某种方式”基于这些“不可见”的内部系统状态

我们（主要在20世纪80年代）创建了一种称为MTR的人工智能感知“计算机语言”，它是为这种动态模型创建而设计的——但对我们（人类）来说，不利的一面是，它是为IA实体设计的，而不是为人类，尽管我们将使用“类似帕斯卡的语言”它的前端很快就可以让正常人使用了。IBM、英特尔、GCHQ、国防部、国防部等都有许可证，但我们随后搁置了它

我们打算很快重新开始这个项目

无论如何，这就是我的想法——我希望它对你的目的来说不是太抽象

我们可以说。。。（我在开玩笑）。。。。那些试图用“纯数学”来编写程序的程序员们“有点胆小鬼”

因此，希望程序员在不理解全部数学知识的情况下能够更加放松

---

我希望这个想法也能帮助任何“非数学”的读者。。。。这一反应的重要性

Deeplearning4j是Hinton可能归类为“Helmholtz”的各种深度学习机器的开源实现。

有任何限制，如商业或F/OSS？语言/操作系统约束？到目前为止，你在彻底的网络搜索中发现了什么？提示：快速改进这个问题；它正在关闭的过程中。你应该让它更具体，指出你迄今为止发现/尝试了什么，通常提供你需要的上下文。（尽管如此，对于StackOverflow的格式来说，它可能被认为太宽了）。我想为我对这个社区的规范缺乏了解而道歉。我编辑这篇文章时把自己弄糊涂了。该版本难以获得。我认为现在的职位是好的。