English· Español· Deutsch· Nederlands· Français· 日本語· ქართული· 繁體中文· 简体中文· Português· Русский· العربية· हिन्दी· Italiano· 한국어· Polski· Svenska· Türkçe· Українська· Tiếng Việt· Bahasa Indonesia

un

konuk
1 / ?
derslere geri dön

Lojistik Denklemin Türetilmesi

Hamming'in S-eğrisinin kesin bir matematiksel türetilmesi vardır. Teknoloji kabulü hakkında iki gözlemle başlayın:

1. Kabul hızı, mevcut kabul ile hızlanır (ağızdan ağıza, ağ etkileri): dP/dt ∝ P

2. Kabul hızı, pazar doygunluğu ile yavaşlar: dP/dt ∝ (1 − P)

Birleştir: dP/dt = r · P · (1 − P)

Bu lojistik diferansiyel denklemdir. Ayrılabilir: kısmi kesir ayrışması doğrudan integrasyon sağlar.

Türetilme

Değişkenleri ayır: dP / [P(1−P)] = r dt

Kısmi kesirler: 1/[P(1−P)] = 1/P + 1/(1−P)

Her iki tarafı integre et: ln(P) − ln(1−P) = rt + C

ln[P/(1−P)] = rt + C

P/(1−P) = e^(rt+C) = e^C · e^(rt)

K = e^C olsun. P için çöz: P = K·e^(rt) / (1 + K·e^(rt))

Eşdeğer olarak: P(t) = 1 / (1 + e^(−r(t − t₀)))

burada t₀ = (ln K)/r dönüm noktasıdır.

Dönüm Noktası

t = t₀'da: P = 0.5. İkinci türev d²P/dt² = 0: büyüme oranı maksimumdur. t₀'dan önce: dışbükey (hızlanan). t₀'dan sonra: içbükey (yavaşlayan).

Bilgisayar Uygulamalarının Geometrisi: Metcalfe ve Optimizasyon Peyzajı

Lojistiği Verilere Uydurmak

Bir lojistik eğri üzerinde iki veri noktası verildiğinde, hem r hem de t₀'yi çözebilirsiniz.

İnternet kabulü: P(1995) = 0.01 (ABD hanelerinin %1'i), P(2005) = 0.70 (%70).

P(t) = 1/(1 + e^(−r(t−t₀))) kullanarak, veri noktalarından P(1995)=0.01 ve P(2005)=0.70 iki denklem kurun. P(2005)=0.70'den: ln[P/(1−P)] = r(t−t₀) kullanarak t₀'yu hesaplayın. Sonra her iki denklemi kullanarak r'yi çözün. Tüm cebiri gösterin. r değeriniz P(2010) için ne tahmin ediyor?

Ağ Değeri Geometrik Sayı Olarak

Hamming, uygulamaların donanım veya yazılımdan daha fazla bilgisayar kabulünü yönlendirdiğini kaydetti. Ağa bağlı uygulamalar belirli bir büyüme modelini izler: değerleri maliyetlerinden daha hızlı artar.

Metcalfe Yasası

n kullanıcılı bir ağın değeri, kullanıcılar arasındaki olası bağlantı sayısıyla orantılıdır:

V(n) = k · n(n−1)/2 ≈ k · n²/2 (büyük n için)

burada k bir bağlantının değeridir. Bir ağın maliyeti: C(n) ∝ n (kabaca kullanıcı sayısında doğrusal).

Değer-maliyeti oranı: V/C ∝ n²/n = n. n büyüdükçe, oranı doğrusal olarak artar. 10 kez daha fazla kullanıcıya sahip bir ağ, maliyetin yalnızca 10 katında kabaca 100 kez daha fazla değer sağlar.

Geometrik Resim

n düğümle, tam bir grafik K_n'deki kenar sayısı C(n,2) = n(n−1)/2'dir. Bu kombinatoryal bir formüldür: n'den 2 düğüm seç. n=10 için: C(10,2)=45. n=100 için: C(100,2)=4950. n=1000 için: C(1000,2)=499,500.

S-eğrisi ve Metcalfe Yasası etkileşir: Faz 2 hızlı kabulü sırasında, n hızla artar ve V(n) n² olarak artar. Değer dönüm noktası, kabul dönüm noktasından önce meydana gelir — değer, daha fazla kabulü çeken olumlu bir geri bildirim döngüsünde kabulün önüne geçer.

Farklı Benimseme Düzeylerinde Ağ Değeri

E-posta kabulü: 1985'te (n=100,000 kullanıcı), k = 0.01 $ bağlantı-yıl başına. 1995'te (n=30,000,000 kullanıcı).

Verilen değerleri kullanarak V(1985) = k · n(n−1)/2 ve V(1995) = k · n(n−1)/2 hesaplayın. V(1995)/V(1985) oranı nedir? Sonra n(1995)/n(1985) kullanıcı büyümesi oranını hesaplayın. Değer büyümesinden kullanıcı büyümesine oranın e-postanın 1990'ların başında aniden vazgeçilmez hale gelmesinin nedeninin ne olduğunu size söyler mi?

Geometri Olarak Optimizasyon

Hamming'in Boeing bant hikayesi, kesin geometrik anlamı olan bir optimizasyon başarısızlığını açıklar. Bir peyzajda f(x) fonksiyonunun optimizasyonu şunları gerektirir:

1. İyi tanımlanmış bir fonksiyon f: amaç (sürüklenme, maliyet, pazara çıkma süresi)

2. Sabit bir peyzaj: f, her seferinde aynı durumda değerlendirilir

3. Bir gradyan: en dik iyileştirme yönü

Ölçümler arasında peyzaj değiştiğinde, tahmini gradyan, sonraki adımı attığınızda artık var olmayan bir yönü gösterebilir. f₁'in gradyan(f₁)'ı hesaplıyorsunuz ancak peyzaj f₂'de adım atıyorsunuz.

Gradyan İnişi

Standart gradyan inişi: x_{t+1} = x_t − α ∇f(x_t)

burada α = adım boyutu (öğrenme oranı), ∇f = gradyan vektörü (kısmi türevler).

Boeing başarısızlığı: zaman t'de, takım f(x_t)'yi ölçer. Zaman t+1'de, takım x'i x_t + Δx'e değiştirir. Ancak paylaşılan veritabanı da değişti: f şimdi f' ≠ f'dir. Gözlenen değişiklik: f'(x_t + Δx) − f(x_t). Bu f'nin gradyanı DEĞIL — peyzaj kaymasından bir terim içerir.

Hayalet Gradyan

Ölçülen değişiklik = [f'(x+Δx) − f(x)] = [f(x+Δx) − f(x)] + [f'(x+Δx) − f(x+Δx)]

= gerçek gradyan × Δx + peyzaj kayması

Peyzaj kayması baskın ise: takım, f'de minimumun f'de maksimum olduğu yönde hareket eder. Yanlış şeyi optimize ederler — ölçümler iyileştirme gösterirken muhtemelen tasarımlarını kötüleştirirler.

Hayalet Gradyan Hatasını Ölçmek

Bir takım f(θ, s)'yi optimize eder; burada θ = kanat açısı, s = açıklık. Gerçek gradyan: ∂f/∂θ = −0.5 (sürüklenme θ ile azalır), ∂f/∂s = +0.3 (sürüklenme s ile artar).

Başka bir takım eşzamanlı olarak gövde ağırlığını azaltır, bu sürüklenme fonksiyonunu değiştirir: f' = f − 0.8. (Daha hafif bir gövde, tüm konfigürasyonlarda sürüklemeyi 0.8 birim azaltır.)

İlk takım şunu ölçer: f'(θ+Δθ, s) − f(θ, s) = [f(θ+Δθ, s) − 0.8] − f(θ, s) = −0.5·Δθ − 0.8.

İlk takım Δθ = 1 (kanat açısını 1 birim değiştirir) ayarlarsa, ölçülen değişiklik nedir? Bunu neye atfederler? Kendi kanat açısı değişikliklerinin fiili katkısı gövde değişikliğinden hayalet katkısından ne kadardır? Aritmetiği gösterin ve yorum yapın: hayalet gradyan, takımın θ'yı optimize etmeyi erken durdurmaya neden olabilir mi?