Chủ đề này có 15 trả lời

[toanhoc]

2,3,5,7,11,13,17,19,23,29,31,37,41,43,47,53,59,?

Bài viết đã được chỉnh sửa nội dung bởi toanhoc: 18-07-2008 - 05:14

[nguyen_hung]

bác này đùa dai hay hay là không biết thật đấy ?

[slbadguy]

Hỏi kiểu này thiệt là hay.
Số tiếp theo là gì mà chả được.
Ví dụ nhé, 2 vậy.
Còn nếu anh nào bắt bẻ đây là chuỗi số nguyên tố (hình như chuỗi này thiếu số 5 , cứ cho là có số 5 đi) thì đáp số cũng vẫn thế : số nào chả được.

[toanhoc]

Xin lỗi, để tôi nói thêm cho rõ. Tìm quy luật của dãy số này để dự đoán số tiếp theo. Có bao nhiêu cách ?
Mời các bạn tham gia. Tôi sẽ giải thích tại sao lại post ở Tin chứ không ở Toán sau.

[Niels Henrik Abel]

Em đoán rằng anh toanhoc đang tìm qui luật cho dãy số nguyên tố ? Nếu như em đoán thì mọi người ai cũng nhìn ra đây là dãy số nguyên tố rồi ko ai nghĩ thêm qui luật nữa . CÒn nếu không như em đoán thì mời anh tiếp tục

[toanhoc]

Nếu bạn là 1 group theorist thì bạn thấy gì ở dãy số này ?

[Zerocool]

Vẫn chả hiểu ý của bạn là gì! Bạn muốn điền 1 số tiếp theo thôi hay là tìm quy luật.
Nếu điền 1 số thôi thì 99% số người trả lời là "61", tôi không nghĩ là có ai đó có cách nghĩ khác.
Không hiểu bạn định làm thí nghiệm gì nhưng hỏi kiểu này thì thí nghiệm của bạn coi như thất bại.

[toanhoc]

Thôi được ! Để tôi nói luôn vậy. Nếu bạn nhìn dưới con mắt của 1 group theorist thì đây là cấp từ nhỏ đến lớn của các finite simple groups.
Cho nên, dãy số này ít nhất tuân thủ 2 quy luật khác nhau:
1) Dãy số nguyên tố từ nhỏ đến lớn, theo quy luật này, số tiếp theo là 61.
2) Dãy cấp của finite simple groups từ nhỏ đến lớn, theo quy luật này, số tiếp theo là 60 (tương ứng với A_5)
Thí nghiệm này bắt nguồn từ 1 bài giảng Introduction to learning theory. Lý do bạn chỉ thấy duy nhất 1 cách hiểu dãy số này là vì từ nhỏ đến lớn bạn học Arithmetics, nên nó ăn rất sâu vào tiềm thức, thấy dãy số này, bạn lập tức nhìn dưới con mắt của Arithmetics.
Thí dụ này muốn nói: Bạn là nhà số học thì nhìn đâu cũng thấy số, bạn là group theorist thì nhìn đâu cũng thấy groups.
Tại sao lại để trong box CS ? Vì tôi nghĩ ví dụ này khá cool để bắt đầu tìm hiểu về Machine Learning (nôm na là trang bị cho máy tính khả năng học hỏi).
Ví dụ nhỏ: Spam filtering. Bạn phải train cái filter của bạn như thế nào để computer không vô tình bỏ thư quan trọng vào sọt rác nhưng lại fill Inbox của bạn với Spams ?

[Niels Henrik Abel]

Cách bắt đầu của anh rất tuyệt !
Anh có thể nói thêm về phần này không , em thây đây có thể là 1 đề tài hay cho CS . Machine Learning hiện nay đã phát triển tới đẫu rồi ?

[toanhoc]

Cám ơn bạn. Tôi chỉ mới bắt đầu theo chân anh Ngô Quang Hưng tìm hiểu đề tài thú vị này.
http://www.procul.org/blog/
Bạn đọc thêm các lời bình của anh Nguyễn Xuân Long. Đây là chuyên gia thứ thiệt về ML và có hiểu biết sâu sắc về Statistics nên các bình luận rất sáng.
Thật là thú vị khi thấy ML và Statistics giao thoa rất nhiều và sâu. Như anh Long bình luận, có cả 2 chiều: Statistics-->ML (ML dùng theoretical Statistics) và ML-->Statistics (Classical Statistics ko quan tâm khía cạnh computational, kiểu như chứng minh tồn tại fixed points nhưng không biết chính xác fixed points ở đâu, ML đòi hỏi computational effectiveness nên cung cấp nhiều đề tài mới hấp dẫn cho Statistics). Cái này giống như mối quan hệ Math, Physics. Physics dùng Math nhưng cũng cung cấp ngược lại cho Math nhiều topics hay.
Tôi thích cách nhìn từ Lý thuyết tính toán của anh Hưng, vì ai viết algorithms cho máy mà rơi vào lớp NP thì cũng vô dụng mà thôi. Ngay cả lớp P mà số mũ lớn hơn 3 thì đã ko thấy hiệu quả.
1 ý nữa trong các bình luận của anh Long: Data--->model--->algorithms. Đặt trọng tâm vào model, model quyết định algorithms. Cách nhìn cũ của tôi là đặt trọng tâm vào algorithms rồi tùy trường hợp cụ thể của data mà chọn algorithms hiệu quả, kiểu như cái biểu đồ so sánh độ hiệu quả của các giải thuật sorting trong sách của Aho, Ullman và Hopcroft.

[Magus]

Tại sao lại để trong box CS ? Vì tôi nghĩ ví dụ này khá cool để bắt đầu tìm hiểu về Machine Learning (nôm na là trang bị cho máy tính khả năng học hỏi).
Ví dụ nhỏ: Spam filtering. Bạn phải train cái filter của bạn như thế nào để computer không vô tình bỏ thư quan trọng vào sọt rác nhưng lại fill Inbox của bạn với Spams ?

Cái ví dụ của anh khá thực tế nhưng em vẫn chưa hiểu rõ về cái này? đề bài của anh thì 60 hay 61 cũng đúng, nghĩa là có 2 đáp án nhưng bộ lọc spam thì chỉ có 1 kết quả với từng lá thư thôi mà? mail thì vứt vào inbox còn spam thì vào bulk

[toanhoc]

À ! Đây tôi chỉ muốn minh họa tính linh động cần có của learning. Ví dụ: nếu bạn filter chỉ dựa trên việc emails có chứa những từ nhạy cảm, thô tục hay không thì chắc độ chính xác sẽ thấp, giống như việc kiểm duyệt phim ảnh vậy. Đ�#8220;ng thời cần tính đến tần suất xuất hiện của các loại emails. Trong bài của bác Hưng có nói đến cái này khi so sánh mô hình nhất quán và mô hình PAC. Tôi nghĩ đó là lý do mà mọi thứ phải đặt trên nền của xác suất và thống kê vì nó cho phép sự linh động cùng khả năng fault tolerance.
Ngoài ra, tôi nghĩ cái này cũng minh họa phần nhỏ ý của bác Long là nên đặt trọng tâm vào model. Ví dụ: data của bạn đậm mùi Arithmetics thì cái model của bạn sẽ hiểu dãy số trên là dãy số nguyên tố và algorithms follows, còn nếu data của bạn đậm mùi groups thì hiểu theo cách 2. Có thể data của bạn có 20% mùi groups và 80% mùi Arithmetics thì cái model của bạn phản ánh điều này và giải thuật của bạn sẽ được thiết kế theo model này.
Hì hì ! Vài câu triết lý ba xu.

Bài viết đã được chỉnh sửa nội dung bởi toanhoc: 22-07-2008 - 00:26

[Magus]

À ! Đây tôi chỉ muốn minh họa tính linh động cần có của learning. Ví dụ: nếu bạn filter chỉ dựa trên việc emails có chứa những từ nhạy cảm, thô tục hay không thì chắc độ chính xác sẽ thấp, giống như việc kiểm duyệt phim ảnh vậy. Đ�#8220;ng thời cần tính đến tần suất xuất hiện của các loại emails. Trong bài của bác Hưng có nói đến cái này khi so sánh mô hình nhất quán và mô hình PAC. Tôi nghĩ đó là lý do mà mọi thứ phải đặt trên nền của xác suất và thống kê vì nó cho phép sự linh động cùng khả năng fault tolerance.
Ngoài ra, tôi nghĩ cái này cũng minh họa phần nhỏ ý của bác Long là nên đặt trọng tâm vào model. Ví dụ: data của bạn đậm mùi Arithmetics thì cái model của bạn sẽ hiểu dãy số trên là dãy số nguyên tố và algorithms follows, còn nếu data của bạn đậm mùi groups thì hiểu theo cách 2. Có thể data của bạn có 20% mùi groups và 80% mùi Arithmetics thì cái model của bạn phản ánh điều này và giải thuật của bạn sẽ được thiết kế theo model này.
Hì hì ! Vài câu triết lý ba xu.

Em băt đầu hiểu tẩu hỏa nhập ma của Kim Dung là như thế nào

[toanhoc]

Bài giảng này very informative.
http://videolectures...p07_guyon_itml/

[nguyen_hung]

Sorry bác toanhoc, em phải rút lại lời trêu ghẹo lúc đầu. Thú thật là em vẫn chưa hiểu tại sao lại là 60. Mong bác giảng kĩ hơn, có kêu em chậm hiểu cũng được, vì xưa nay em vẫn chậm hiểu mà. Thanks bác về cái topic này.

[Magus]

Sorry bác toanhoc, em phải rút lại lời trêu ghẹo lúc đầu. Thú thật là em vẫn chưa hiểu tại sao lại là 60. Mong bác giảng kĩ hơn, có kêu em chậm hiểu cũng được, vì xưa nay em vẫn chậm hiểu mà. Thanks bác về cái topic này.

Đọc cái này:

http://en.wikipedia....e_simple_groups

rồi xem cái này:

http://en.wikipedia....e_simple_groups

Như vậy theo anh toanhoc, số sau 60 sẽ là 168,360,504,.... xem cái bảng ở link thứ 2, cột Order