Обсуждение:Модели на основе энергии

Материал из MachineLearning.

Первый промт:

Ты специалист в области машинного обучения, вероятностного моделирования и глубоких нейронных сетей, профессор ведущего технического университета и популяризатор науки. Напиши энциклопедическую статью "Модели на основе энергии" для сайта MachineLearning.ru. Понятно объясни основную идею: модель сопоставляет объекту или паре связанных объектов скалярную энергию. Низкая энергия соответствует более правдоподобной конфигурации, а высокая менее правдоподобной. Статья должна быть полезна как новичку, с понятными определениями и объяснением основных идей, так и профессионалу, с содержательными подробностями, полезными ссылками и значимыми научными результатами. Используй разметку MachineLearning.ru и внутренние ссылки на связанные понятия. Не используй шаблон {{lang-en|...}}: английские термины указывай обычным текстом в скобках. Все формулы оформляй тегами <tex>...</tex>. Открывающий тег, формула и закрывающий тег должны находиться на одной строке, без переносов, табуляции и отступов внутри формулы. Не используй команды \lVert и \rVert; норму записывай через \|x\|. Используй только реальные авторитетные источники. Оформи раздел "Литература" ненумерованным списком через символ * с шаблонами {{статья}}, {{книга}} и {{cite web}}. Не выдумывай публикации, алгоритмы, результаты и ссылки. Верни полный вики-код статьи.

Вторым промтом я добавил примеры:

Добавь два простых примера. В первом примере рассматривается классификация изображения по трём классам. Модель вычисляет энергию для каждой пары "изображение - метка" и выбирает метку с наименьшей энергией. Во втором примере рассматривается одномерное распределение данных с двумя скоплениями. Объясни, что модель должна создать области низкой энергии около наблюдаемых данных и области высокой энергии между ними и вдали от них. Не перегружай введение математикой. Сохрани подробные формулы и профессиональные сведения в отдельных разделах. Все обозначения поясняй сразу после появления. Верни полный исправленный исходный код статьи.