• Najnowsze pytania
  • Bez odpowiedzi
  • Zadaj pytanie
  • Kategorie
  • Tagi
  • Zdobyte punkty
  • Ekipa ninja
  • IRC
  • FAQ
  • Regulamin
  • Książki warte uwagi

Python nazwa błędu: unexpected character after line continuation character

VPS Starter Arubacloud
0 głosów
338 wizyt
pytanie zadane 14 marca 2022 w Python przez niezalogowany

Witam mam taki problem nie wiem jak go mogę rozwiązać

 

komentarz 14 marca 2022 przez kolmipilot Obywatel (1,570 p.)
daj kod
komentarz 14 marca 2022 przez adrian17 Ekspert (344,100 p.)
To co wrzuciłeś wygląda prędzej jak zwykły wycinek dokumentu LaTeX'a, tutaj w ogóle nie ma żadnego wykonywalnego kodu - a co dopiero Pythona.
komentarz 14 marca 2022 przez niezalogowany
aha ok

1 odpowiedź

0 głosów
odpowiedź 14 marca 2022 przez niezalogowany
przywrócone 14 marca 2022 przez adrian17
# Imie
# Nazwa algorytmu określa nazwę kanoniczną używaną w odniesieniu do techniki, oprócz popularnych aliasów, skrótów i akronimów. Nazwa jest używana w kontekście nagłówka i podtytułów opisu algorytmu
\section{"Population-Based Incremental Learning"}
\label{sec:pbil}
\index{Population-Based Incremental Learning}
\index{PBIL}

# inne nazwy
# Jaka jest nazwa kanoniczna i wspólne aliasy techniki?
# Jakie są najczęstsze skróty i akronimy techniki?
\emph{Population-Based Incremental Learning, PBIL.}

# Taksonomia: rodowód i lokalizacja
# Taksonomia algorytmów określa, gdzie dana technika pasuje do danej dziedziny, zarówno w poszczególnych poddziedzinach inteligencji obliczeniowej, jak i obliczeniach inspirowanych biologicznie, a także w szerszym obszarze sztucznej inteligencji. Taksonomia dostarcza także kontekstu do określania relacji między algorytmami. Taksonomia może być opisana w kategoriach serii stwierdzeń zależności lub obrazowo jako diagram Venna lub wykres o strukturze hierarchicznej.
\subsection{Taxonomy}
# Do jakich kierunków studiów należy technika?
# Uczenie przyrostowe oparte na populacji to algorytm szacowania dystrybucji (EDA), zwany również algorytmami genetycznymi budowania modelu populacji (PMBGA), będącym rozszerzeniem dziedziny obliczeń ewolucyjnych.
# Jakie są ściśle powiązane podejścia do techniki?
# PBIL jest powiązany z innymi EDA, takimi jak Compact Genetic Algorithm (Sekcja~\ref{sec:compact_genetic_algorithm}), Probabilistic Incremental Programing Evolution Algorithm oraz Bayesian Optimization Algorithm (Sekcja~\ref{sec:boa}). Fakt, że algorytm utrzymuje pojedynczy prototypowy wektor, który jest aktualizowany w sposób konkurencyjny, wskazuje na pewien związek z algorytmem uczącej się kwantyzacji wektorów (sekcja~\ref{sec:lvq}).

# Inspiracja: System motywacyjny
# Inspiracja opisuje konkretny system lub proces, który wywołał powstanie algorytmu. Inspirujący system może być niewyłącznie naturalny, biologiczny, fizyczny lub społeczny. Opis inspirującego systemu może zawierać odpowiednią teorię, obserwację, nazewnictwo, a co najważniejsze, musi zawierać te istotne atrybuty systemu, które w jakiś sposób abstrakcyjnie lub pojęciowo manifestują się w technice. Inspiracja jest opisana tekstowo za pomocą cytatów i może zawierać diagramy, aby podkreślić cechy i relacje w inspirującym systemie.
# Opcjonalny
\subsection{Inspiration}
# Jaki system lub proces motywował rozwój techniki?
# Uczenie przyrostowe oparte na populacji to technika populacyjna bez inspiracji. Jest to związane z Algorytmem Genetycznym i innymi Algorytmami Ewolucyjnymi, inspirowanymi biologiczną teorią ewolucji za pomocą doboru naturalnego.
# Jakie cechy systemu motywacyjnego są istotne dla techniki?

# Metafora: wyjaśnienie przez analogię
# Metafora to opis techniki w kontekście inspirującego systemu lub innego odpowiedniego systemu. Cechy techniki uwidaczniają się poprzez analogiczny opis cech inspirującego systemu. Nie oczekuje się, że wyjaśnienie przez analogię będzie dosłowną prawdą naukową, raczej metoda jest używana jako alegoryczne narzędzie komunikacji. System inspiracji nie jest jednoznacznie opisany, jest to rola elementu „inspiracja”, który reprezentuje luźną zależność dla tego elementu. Wyjaśnienie ma charakter tekstowy i wykorzystuje nazewnictwo systemu metaforycznego.
# Opcjonalny
# \subsection{Metaphor}
# Jakie jest wyjaśnienie techniki w kontekście inspirującego systemu?
# What are the functionalities inferred for a technique from the analogous inspiring system?
# Tekstowy opis algorytmu przez analogię.

# Strategia: Plan rozwiązywania problemów
# Strategia jest abstrakcyjnym opisem modelu obliczeniowego. Strategia opisuje działania związane z przetwarzaniem informacji, jakie technika powinna podjąć, aby osiągnąć cel. Strategia zapewnia logiczne oddzielenie realizacji obliczeniowej (procedura) od analogicznego systemu (metafora). Dana strategia rozwiązywania problemów może być realizowana jako jeden z wielu specyficznych algorytmów lub systemów rozwiązywania problemów. Opis strategii ma charakter tekstowy, wykorzystujący przetwarzanie informacji i terminologię algorytmiczną.
\subsection{Strategy}
# Jaki jest cel przetwarzania informacji w technice?
# Celem przetwarzania informacji algorytmu PBIL jest zmniejszenie pamięci wymaganej przez algorytm genetyczny.
# Czym jest plan działania technik?
# Odbywa się to poprzez zredukowanie populacji rozwiązań kandydujących do jednego prototypowego wektora atrybutów, na podstawie których można generować i oceniać rozwiązania kandydujące. Aktualizacje i operatory mutacji są również wykonywane na wektorze prototypu, a nie na wygenerowanych rozwiązaniach kandydujących.

# Procedura: Obliczenia abstrakcyjne
# Procedura algorytmiczna podsumowuje specyfikę realizacji strategii jako usystematyzowanego i sparametryzowanego obliczenia. Opisuje, w jaki sposób algorytm jest zorganizowany pod względem struktur i reprezentacji danych. Procedurę można opisać w kategoriach artefaktów inżynierii oprogramowania i informatyki, takich jak pseudokod, diagramy projektowe i odpowiednie równania matematyczne.
\subsection{Procedure}
# Jakie są struktury danych i reprezentacje używane w technice?
# Algorytm uczenia przyrostowego opartego na populacji utrzymuje wektor prototypu o wartości rzeczywistej, który reprezentuje prawdopodobieństwo, że każdy komponent zostanie wyrażony w rozwiązaniu kandydującym.
# Jaka jest recepta obliczeniowa na technikę?
Algorithm~\ref{alg:pbil} provides a pseudocode listing of the Population-Based Incremental Learning algorithm for maximizing a cost function.

\begin{algorithm}[]
    \SetLine
    
    # Dane
    \SetKwData{Best}{$S_{best}$}
    \SetKwData{ProbabilityMutate}{$P_{mutation}$}
    \SetKwData{LearningRate}{$Learn_{rate}$}
    \SetKwData{MutationFactor}{$Mutation_{factor}$}
    \SetKwData{NumSamples}{$Samples_{num}$}
    \SetKwData{NumBits}{$Bits_{num}$}
    
    \SetKwData{Vector}{$V$}
    \SetKwData{CurrentBest}{$S_{current}$}
    \SetKwData{Sample}{$S_i$}
    \SetKwData{Bit}{$S_{bit}^i$}
    \SetKwData{VectorBit}{$V_{bit}^i$}
    
    # Funkcje
    \SetKwFunction{InitializeVector}{InitializeVector}  
    \SetKwFunction{StopCondition}{StopCondition}  
    \SetKwFunction{GenerateSamples}{GenerateSamples}
    \SetKwFunction{Cost}{Cost}
    \SetKwFunction{Rand}{Rand}
    
    # Wejście i Wyjście
    \KwIn{\NumBits, \NumSamples, \LearningRate, \ProbabilityMutate, \MutationFactor}
    \KwOut{\Best}
    
    # Algorithm
        \Vector $\leftarrow$ \InitializeVector{\NumBits}\;
        \Best $\leftarrow$ $\emptyset$\;
        
        \While{$\neg$\StopCondition{}} {
            \CurrentBest $\leftarrow$ $\emptyset$\;
            \For{$i$ \KwTo \NumSamples} {
                \Sample $\leftarrow$ \GenerateSamples{\Vector}\;
                \If{\Cost{\Sample} $\leq$ \Cost{\CurrentBest}} {
                    \CurrentBest $\leftarrow$ \Sample\;
                    \If{\Cost{\Sample} $\leq$ \Cost{\Best}} {
                        \Best $\leftarrow$ \Sample\;
                }
            }
       }
       \ForEach{\Bit $\in$ \CurrentBest} {
           \VectorBit $\leftarrow$ \VectorBit $\times$ (1.0 $-$ \LearningRate) $+$ \Bit $\times$ \LearningRate\;
            \If{\Rand{} $<$ \ProbabilityMutate} {
               \VectorBit $\leftarrow$ \VectorBit $\times$ (1.0 $-$ \MutationFactor) $+$ \Rand{} $\times$ \MutationFactor\;
          }
       }
    }
    \Return{\Best}\;
    
    # koniec
    \caption{Pseudocode for PBIL.}
    \label{alg:pbil}
\end{algorithm}

# Heurystyka: wskazówki dotyczące użytkowania
# Element heurystyki opisuje zdrowy rozsądek, najlepsze praktyki i zademonstrowane zasady stosowania i konfigurowania sparametryzowanego algorytmu. Heurystyki odnoszą się do szczegółów technicznych procedur technik i struktur danych dla ogólnych klas aplikacji (ani konkretnych implementacji, ani konkretnych przypadków problemów). Heurystyki są opisane w formie tekstu, na przykład jako seria wytycznych w strukturze punktowanej.
\subsection{Heuristics}
# Jakie są sugerowane konfiguracje techniki?
# Jakie są wytyczne dotyczące zastosowania techniki w przypadku wystąpienia problemu?
\begin{itemize}
    \item PBIL was designed to optimize the probability of components from low cardinality sets, such as bit's in a binary string.
    \item The algorithm has a very small memory footprint (compared to some population-based evolutionary algorithms) given the compression of information into a single prototype vector.
    \item Extensions to PBIL have been proposed that extend the representation beyond sets to real-valued vectors.
    \item Variants of PBIL that were proposed in the original paper include updating the prototype vector with more than one competitive candidate solution (such as an average of top candidate solutions), and moving the prototype vector away from the least competitive candidate solution each iteration.
    \item Low learning rates are preferred, such as 0.1.
\end{itemize}

# Lista kodów
# Opis kodu zapewnia minimalną, ale funkcjonalną wersję techniki zaimplementowanej za pomocą języka programowania. Opis kodu musi być możliwy do wpisania do odpowiedniego komputera, skompilowany lub zinterpretowany w razie potrzeby oraz zapewnić działające wykonanie techniki. Implementacja techniki obejmuje również minimalną instancję problemu, do której jest stosowana, a implementacje problemu i algorytmu są wystarczająco kompletne, aby zademonstrować procedurę technik. Opis jest przedstawiony jako wykaz kodu źródłowego programowania.
\subsection{Code Listing}
# W jaki sposób technika jest zaimplementowana jako program wykonywalny?
# Jak technika jest stosowana do konkretnej instancji problemowej?
Listing~\ref{pbil} provides an example of the Population-Based Incremental Learning algorithm implemented in the Ruby Programming Language.
# problem
# Problem demonstracyjny polega na maksymalizacji problemu optymalizacji binarnej o nazwie OneMax, który poszukuje binarnego ciągu jedności (wszystkie bity `1'). Funkcja celu zapewnia jedynie wskazanie liczby poprawnych bitów w ciągu kandydującym, a nie pozycji poprawnych bitów.
# algorytm
# Algorytm jest implementacją prostego algorytmu PBIL, który aktualizuje wektor prototypu na podstawie najlepszego potencjalnego rozwiązania wygenerowanego w każdej iteracji.

# aukcja
\lstinputlisting[firstline=7,language=ruby,caption=Population-Based Incremental Learning in Ruby, label=pbil]{../src/algorithms/probabilistic/pbil.rb}

# Referencje: głębsze zrozumienie
# Opis elementu odniesienia zawiera listę zarówno podstawowych źródeł informacji o technice, jak i przydatnych źródeł wprowadzających dla nowicjuszy, aby lepiej zrozumieć teorię i zastosowanie techniki. Opis składa się z ręcznie wybranych materiałów referencyjnych, w tym książek, recenzowanych artykułów konferencyjnych, artykułów w czasopismach i potencjalnie stron internetowych. Sugerowana jest struktura punktowana.
\subsection{References}
# Jakie są główne źródła techniki?
# Jakie są sugerowane źródła referencyjne, aby dowiedzieć się więcej o technice?

# Podstawowe źródła

\subsubsection{Primary Sources}
# nasienny
Algorytm Population-Based Incremental Learning został zaproponowany przez Baluję w raporcie technicznym, w którym zaproponowano algorytm podstawowy, a także szereg wariantów inspirowanych algorytmem Learning Vector Quantization \cite{Baluja1994}.
# wcześnie

#
# Ucz się więcej
#
\subsubsection{Learn More}
# Opinie

Baluja i Caruana zapewniają doskonały przegląd PBIL i porównują go ze standardowym algorytmem genetycznym, opublikowanym jako raport techniczny \cite{Baluja1995}, a później opublikowanym \cite{Baluja1995a}. Baluja przedstawia szczegółowe porównanie między algorytmem genetycznym a PBIL w zakresie różnych problemów i skal w innym raporcie technicznym \cite{Baluja1995b}.
Greene uzupełniające na temat stosowalności PBIL sprawozdanie jako rozwiązanie praktyczneu \cite Green{e1996}.
Hohfeld i Rudolph przedstawiają pierwszą teoretyczną analizę tej techniki i dostarczają dowodu zbieżności \cite{Hohfeld1997}.

# Książki

Podobne pytania

0 głosów
1 odpowiedź 1,248 wizyt
0 głosów
1 odpowiedź 733 wizyt
0 głosów
5 odpowiedzi 4,411 wizyt

92,454 zapytań

141,262 odpowiedzi

319,099 komentarzy

61,854 pasjonatów

Motyw:

Akcja Pajacyk

Pajacyk od wielu lat dożywia dzieci. Pomóż klikając w zielony brzuszek na stronie. Dziękujemy! ♡

Oto polecana książka warta uwagi.
Pełną listę książek znajdziesz tutaj.

Akademia Sekuraka

Akademia Sekuraka 2024 zapewnia dostęp do minimum 15 szkoleń online z bezpieczeństwa IT oraz dostęp także do materiałów z edycji Sekurak Academy z roku 2023!

Przy zakupie możecie skorzystać z kodu: pasja-akademia - użyjcie go w koszyku, a uzyskacie rabat -30% na bilety w wersji "Standard"! Więcej informacji na temat akademii 2024 znajdziecie tutaj. Dziękujemy ekipie Sekuraka za taką fajną zniżkę dla wszystkich Pasjonatów!

Akademia Sekuraka

Niedawno wystartował dodruk tej świetnej, rozchwytywanej książki (około 940 stron). Mamy dla Was kod: pasja (wpiszcie go w koszyku), dzięki któremu otrzymujemy 10% zniżki - dziękujemy zaprzyjaźnionej ekipie Sekuraka za taki bonus dla Pasjonatów! Książka to pierwszy tom z serii o ITsec, który łagodnie wprowadzi w świat bezpieczeństwa IT każdą osobę - warto, polecamy!

...