আমি কেন কোনও গ্রাফের দিকে তাকাতে এবং তত্ক্ষণাত অন্য বিন্দুর নিকটতম পয়েন্টটি খুঁজে পেতে পারি, তবে প্রোগ্রামিংয়ের মাধ্যমে এটি আমার ও (এন) সময় নেয়?


122

আমাকে স্পষ্ট করে বলি:

কিছু প্রদত্ত সংখ্যার পয়েন্টের একটি বিচ্ছুরিত স্থান দেওয়া, আমি যদি প্লটটির যে কোনও বিন্দুর নিকটতম বিন্দুটিকে মানসিকভাবে সন্ধান করতে চাই, তবে আমি গ্রাফের বেশিরভাগ পয়েন্টকে অবিলম্বে উপেক্ষা করতে পারি, আমার পছন্দগুলি কাছাকাছি কিছু ছোট, ধ্রুবক সংখ্যার পয়েন্টের সাথে সংকুচিত করে দিতে পারি ।

তবুও, প্রোগ্রামিংয়ে, পয়েন্ট n এর একটি সেট দেওয়া, যে কোনও একটির নিকটতম বিন্দুটি সন্ধান করার জন্য, প্রতিটি অন্যান্য পয়েন্ট যাচাই করা দরকার, যা সময়।হে(এন)

আমি অনুমান করছি যে কোনও গ্রাফের ভিজ্যুয়াল দর্শন সম্ভবত এমন কিছু ডেটা স্ট্রাকচারের সমতুল্য যা আমি বুঝতে অক্ষম; কারণ প্রোগ্রামিং সঙ্গে, যেমন একটি quadtree হিসাবে একটি বেশি সংগঠিত পদ্ধতি পয়েন্ট রূপান্তর দ্বারা, এক নিকটস্থ পয়েন্ট জানতে পারেন পয়েন্ট মধ্যে সময়, বা ammortized সময়।এন কে লগ ( এন ) ( লগ এন )এনলগ ইন করুন(এন)হে(লগ ইন করুনএন)

কিন্তু তথ্যের পুনর্গঠনের পরে পয়েন্ট-ফাইন্ডিংয়ের জন্য এখনও কোনও পরিচিত অ্যামেরুটেড অ্যালগরিদম (যা আমি খুঁজে পেতে পারি) খুঁজে পাওয়া যায় না।হে(1)

তবে কেন এটি নিছক চাক্ষুষ পরিদর্শন করেই সম্ভব বলে মনে হচ্ছে?


36
আপনি ইতিমধ্যে সমস্ত বিষয় সম্পর্কে অবহিত এবং মোটামুটি সেগুলি কোথায় রয়েছে; আপনার চোখের জন্য "সফ্টওয়্যার ড্রাইভার" ইতিমধ্যে আপনার ইমেজটি ব্যাখ্যা করার জন্য কঠোর পরিশ্রম করেছে। আপনার উপমা অনুসারে আপনি এই কাজটিকে "ফ্রি" বিবেচনা করছেন যখন বাস্তবে বাস্তবে এটি হয় না। আপনার যদি ইতিমধ্যে কোনও ডেটা স্ট্রাকচার থাকে যা বিন্দু অবস্থানগুলিকে একরকম অষ্টকোষের উপস্থাপনায় ভেঙে দেয় তবে আপনি ও (এন) এর চেয়ে অনেক ভাল করতে পারেন। তথ্য সচেতন অংশে পৌঁছানোর আগেই আপনার মস্তিষ্কের অবচেতন অংশে প্রচুর প্রাক-প্রক্রিয়াকরণ ঘটে; এই জাতীয় উপমাগুলিতে কখনও ভুলে যাবেন না।
রিচার্ড টিঙ্গল

20
আমি মনে করি আপনার কমপক্ষে একটি অনুমান সাধারণভাবে ধারণ করে না। 'ছোট' প্রতিচ্ছবি এবং একটি অতিরিক্ত পয়েন্ট P বৃত্তের কেন্দ্রবিন্দুতে একটি বৃত্তে সাজানো সমস্ত পয়েন্ট ধরে নিন। আপনি পি নিকটস্থ বিন্দু এটি চান, আপনি বরখাস্ত করতে পারবে না কোন গ্রাফ অন্যান্য পয়েন্ট।
কলস্পার

4
কারণ আমাদের মস্তিষ্ক আসলেই আশ্চর্যজনক! একটি সস্তা উত্তরের মতো মনে হচ্ছে তবে এটি সত্য। আমাদের (দৃশ্যত বহুলভাবে সমান্তরাল) চিত্র প্রক্রিয়াকরণ কীভাবে কাজ করে সে সম্পর্কে আমরা পুরোপুরি কিছুই জানি না।
কার্ল উইথহফট

7
ভাল, মূলত, আপনার মস্তিষ্ক আপনার লক্ষ্য না করে স্পেস পার্টিশন ব্যবহার করে। এটি সত্যিই দ্রুত উপস্থিত হওয়ার অর্থ এই নয় যে এটি একটি ধ্রুবক সময় - আপনি কিছু সসীম রেজোলিউশনের সাথে কাজ করছেন এবং আপনার চিত্র প্রক্রিয়াকরণ সফটওয়্যারটি এর জন্য ডিজাইন করা হয়েছে (এবং এমনকি এটি সমান্তরালভাবে সমস্ত পরিচালনা করছে)। আপনি প্রিপ্রোসেসিংয়ের জন্য একশ মিলিয়ন সামান্য সিপিইউ ব্যবহার করছেন তা আপনাকে দেয় না - এটি কেবল সামান্য প্রসেসরের জটিল ক্রিয়াকলাপটি করে। আর 2D কাগজ ষড়যন্ত্র ভুলবেন না - যে তার নিজের উপর রয়েছে অন্তত হতে হে ( )হে(1)হে(এন)
লুয়ান

9
এটি ইতিমধ্যে উল্লেখ করা হয়েছে কিনা তা নিশ্চিত নয়, তবে মানব মস্তিষ্ক এসআইএসডি ভন নিউমান টাইপ কম্পিউটিং সিস্টেমের থেকে খুব আলাদাভাবে কাজ করে। এখানে বিশেষত প্রাসঙ্গিক যে এটি আমি বুঝতে পেরেছি, মানুষের মস্তিষ্কের জন্মগতভাবে সমান্তরাল এবং বিশেষত যখন এটি সংবেদক উদ্দীপনার প্রক্রিয়াকরণের বিষয়টি আসে: আপনি একই সাথে একাধিক জিনিস শুনতে, দেখতে এবং অনুভব করতে পারেন এবং (মোটামুটি, যাইহোক) সচেতন হতে পারেন একসাথে তাদের সব। আমি একটি মন্তব্য লেখায় মনোনিবেশ করছি তবে আমার ডেস্ক, সোডা ক্যান, দরজায় আমার জ্যাকেট ঝুলানো, আমার ডেস্কের কলম ইত্যাদি দেখুন brain আপনার মস্তিষ্ক একই সাথে অনেকগুলি পয়েন্ট চেক করতে পারে।
প্যাট্রিক 87

উত্তর:


115

আপনি মানসিকভাবে যা করেন তার মডেলটি ভুল। আসলে, আপনি দুটি পদক্ষেপে পরিচালনা করুন:

  1. সময়ে যে সমস্ত পয়েন্ট খুব বেশি দূরে রয়েছে তা মুছে ফেলুন ।O(1)
  2. Points ( এম ) সময়ে প্রায় নিকটবর্তী পয়েন্টগুলি পরিমাপ করুন ।মিΘ(মি)

আপনি যদি পেটানক (বাটি) বা কার্লিংয়ের মতো গেমস খেলেন তবে এটি অবশ্যই পরিচিত হওয়া উচিত - লক্ষ্য থেকে খুব দূরে অবস্থিত অবজেক্টগুলি পরীক্ষা করার দরকার নেই, তবে আপনার নিকটতম প্রতিযোগীদের পরিমাপ করার প্রয়োজন হতে পারে।

এই বিন্দুর উদাহরণস্বরূপ, কোন সবুজ বিন্দু লাল বিন্দুর নিকটতম? (কেবলমাত্র 1 পিক্সেলের কিছু বেশি, তবে এটি নিকটতম একটির মধ্যে রয়েছে)) জিনিসগুলি সহজ করার জন্য, বিন্দুগুলি এমনকি দূরত্বে রঙিন কোড করা হয়েছে।

পয়েন্টের মেঘ

এই ছবিটি ধারণ করে পয়েন্ট যা বৃত্ত উপর প্রায় হয়, এবং এন » 10 মোট সবুজ পয়েন্ট। পদক্ষেপ 1 আপনাকে প্রায় মিটার পয়েন্ট ব্যতীত সমস্তগুলি মুছে ফেলতে দেয় তবে দ্বিতীয় ধাপে প্রতিটি মিটার পয়েন্ট পরীক্ষা করা দরকার । মিটারের জন্য কোনও প্রাইমারি আবদ্ধ নেই ।m=10n10mmm

একটি শারীরিক পর্যবেক্ষণ আপনাকে পয়েন্টের পুরো সেট থেকে এম পয়েন্টের একটি সীমাবদ্ধ প্রার্থীর সেট পর্যন্ত সমস্যার আকার সঙ্কুচিত করতে দেয় । এই পদক্ষেপটি সাধারণভাবে বোঝা হিসাবে কোনও গণনার পদক্ষেপ নয়, কারণ এটি একটি অবিচ্ছিন্ন প্রক্রিয়া ভিত্তিক। অবিচ্ছিন্ন প্রক্রিয়াগুলি গণনা সংক্রান্ত জটিলতা এবং বিশেষত অ্যাসিপোটোটিক বিশ্লেষণ সম্পর্কিত স্বাভাবিক অন্তর্নিজ্ঞানের সাপেক্ষে নয়।nm

এখন, আপনি জিজ্ঞাসা করতে পারেন, কেন একটি অবিচ্ছিন্ন প্রক্রিয়া পুরোপুরি সমস্যার সমাধান করতে পারে না? এই পয়েন্টগুলিতে এটি কীভাবে আসে , কেন আমরা মি = 1 পাওয়ার প্রক্রিয়াটি পরিমার্জন করতে পারি না ?mm=1

উত্তরটি হ'ল আমি কিছুটা প্রতারণা করেছি: আমি পয়েন্টগুলির একটি সেট উপস্থাপন করেছি যা প্রায় নিকটতম পয়েন্ট এবং n - মি পয়েন্টগুলি নিয়ে তৈরি হয় যা আরও রয়েছে। সাধারণভাবে একটি নির্দিষ্ট সীমানায় কোন পয়েন্ট রয়েছে তা নির্ধারণের জন্য একটি নির্দিষ্ট পর্যবেক্ষণের প্রয়োজন হয় যা পর্যায়ক্রমে পর্যায়ক্রমে সম্পাদন করতে হয়। বিলোপের একটি মোটা প্রক্রিয়া আপনাকে অনেকগুলি সুস্পষ্ট নন-প্রার্থীকে বাদ দিতে দেয় তবে কেবল কোন প্রার্থী রয়েছেন তা সিদ্ধান্ত নেওয়ার জন্য তাদের গণনার প্রয়োজন।mnm

আপনি একটি পৃথক, গণনা বিশ্বে এই সিস্টেমটি মডেল করতে পারেন। অনুমান POINTS পয়েন্ট অর্থাত্, একটি ডাটা স্ট্রাকচার যে একটি গ্রিড উপর কোষে তাদের বিশৃঙ্খলভাবে মধ্যে প্রতিনিধিত্ব করা হয় কক্ষের জন্য একটি তালিকা সংরক্ষণ করা হয় ( এক্স , Y ) । যদি আপনি ( x 0 , y 0 ) এর নিকটতম পয়েন্ট এবং এই বিন্দুতে থাকা কোষটিতে সর্বাধিক অন্য একটি বিন্দু রয়েছে তা সন্ধান করছেন, তবে এটিতে থাকা সেল এবং 8 প্রতিবেশী কোষগুলি পরীক্ষা করা যথেষ্ট। এই 9 টি ঘরে মোট পয়েন্টের সংখ্যা মি(x,y)(x,y)(x0,y0)m। এই মডেলটি মানব মডেলের কয়েকটি মূল বৈশিষ্ট্যকে সম্মান করে:

  • সম্ভাব্য আনবাউন্ডেড - উদাহরণস্বরূপ একটি বৃত্তের উপর পড়ে থাকা পয়েন্টগুলির একটি অবনতিজনক খারাপ পরিস্থিতি সর্বদা সম্ভব।মি
  • ব্যবহারিক দক্ষতা ডেটা মেলে এমন একটি স্কেল বাছাই করার উপর নির্ভর করে (যেমন আপনার ডটগুলি কাগজের টুকরোতে থাকে এবং আপনার ঘরগুলি 1 কিলোমিটার প্রশস্ত হয়) you'll

9
আরও কী, সমস্ত গ্রাফ সমভূমিতে প্রক্ষেপণ করা যায় না যাতে ইউক্লিডিয়ান দূরত্বগুলি গ্রাফের দূরত্বগুলির সাথে মেলে (যেমন প্রান্তের ওজন একটি মেট্রিক গঠন না করে)।
রাফেল

5
@ রাফেল আমি প্রশ্নটি গ্রাফ তত্ত্বের চেয়ে গণ্য জ্যামিতির বিষয়ে বলে বুঝতে পেরেছিলাম, তবে এটি একটি অতিরিক্ত জটিলতা।
গিলস

2
@Gilles সম্পন্ন । আমি সবেমাত্র কম্পিউটারের জ্যামিতি শব্দটি শিখেছি ।
জিরিট 21

2
এটি একটি নিট-পিক হতে পারে, আপনি কী দেখানোর চেষ্টা করছেন তা আমি বুঝতে পারি, তবে রঙিনব্লাইন্ড হিসাবে "লালকে সবচেয়ে কাছের সবুজ বেছে নিন" কোনটি পয়েন্টগুলি তা নিয়ে প্রচুর মাথা আঁচড়ে যায়। ভবিষ্যতে চিন্তা করার মতো কিছু - লাল / সবুজ ছাড়াও অন্য কোনও রঙ সমন্বয় চয়ন করুন!
tpg2114

3
@ tpg2114 ভুলবেন না লাল / সবুজ একমাত্র রঙ-অন্ধত্ব নয়। এটিকে আকৃতির (বা রঙ ব্যতীত অন্য কোনও বৈশিষ্ট্য) দেখানো "লাল / সবুজ ছাড়াও অন্য কোনও রঙের সংমিশ্রণ" এর চেয়ে আরও বেশি অন্তর্ভুক্ত থাকবে।
জোনাথন ভ্যান মাত্রে

42

কারণটি হ'ল এই ক্যোয়ারির জন্য অনুকূলিত করা ডেটা একটি "ডেটা স্ট্রাকচার" এ রাখা হয়েছে এবং গ্রাফটি প্রস্তুত করার প্রাক প্রসেসিংয়ের সময়টি আপনার পরিমাপকৃত সময়গুলিতে অন্তর্ভুক্ত করা উচিত যা বিন্দুর সংখ্যার সাথে সমানুপাতিক, ও (এন) প্রদান করে জটিলতা এখনই।

আপনি যদি প্রতিটি পয়েন্টের এক্স এবং ওয়াইয়ের স্থানাঙ্কের তালিকা তৈরি করে একটি টেবিলের মধ্যে স্থানাঙ্কগুলি রেখে থাকেন তবে আপনাকে পয়েন্টগুলির মধ্যে দূরত্ব গণনা করতে, দূরত্বের তালিকাটি সাজান এবং সবচেয়ে ছোটটি চয়ন করতে আরও অনেক বড় মানসিক প্রচেষ্টা প্রয়োজন।

কোয়েরির উদাহরণ হিসাবে দৃষ্টিশক্তিটি ভালভাবে কাজ না করার জন্য, রাতের আকাশের দিকে তাকানো এবং - কেবলমাত্র আপনার দর্শন এবং প্রতিটি নক্ষত্রের স্থানাঙ্কের একটি সারণির উপর ভিত্তি করে - পৃথিবীর নিকটতম নক্ষত্রের সন্ধান করুন বা কোন জ্যোতিষ চিহ্নের মধ্যে সবচেয়ে কম দূরত্ব রয়েছে? তারা নিয়ে গঠিত এটি দৃশ্যত নির্ধারণ করতে আপনার এখানে একটি ঝুমেবল এবং পরিবর্তনযোগ্য 3 ডি মডেলের প্রয়োজন হবে, যেখানে কোনও কম্পিউটার এটিকে মূলত আপনার মূল হিসাবে একই সমস্যা হিসাবে বিবেচনা করবে।


2
+1 - আমি ঠিক এই পয়েন্টটি তৈরি করে এমন কাউকে খুঁজছিলাম sc আগত ডেটার উপস্থাপনা গুরুত্বপূর্ণ - কেবল একটি বাছাই করা তালিকার বিপরীতে একটি সাজানো তালিকার মধ্যম সন্ধানের চেষ্টা করুন!
ক্লাউডফিট 13

21

এই প্রশ্নটি একটি ত্রুটিযুক্ত ভিত্তি থেকে শুরু হয়। আপনি কেবল ভাবেন যে আপনি পয়েন্টের নিকটস্থ পয়েন্টটি মানসিকভাবে খুঁজে পেতে পারেন তবে বাস্তবে আপনি যদি এটি না পারেন তবে। এটি এরকম মনে হয় কারণ আপনি খুব ছোট গ্রাফগুলি ব্যবহার করার জন্য অভ্যস্ত হয়ে পড়েছেন তবে ছোট উদাহরণগুলি বিভ্রান্তিমূলক হতে পারে, যখন আমরা অ্যাসিম্পটোটিক জটিলতার সাথে কাজ করি। আপনি যদি এক বিলিয়ন পয়েন্ট সহ একটি ছড়িয়ে পড়া প্লটের সাথে এটি করার চেষ্টা করে থাকেন তবে আপনি দ্রুত আবিষ্কার করতে পারবেন যে আপনি ( 1 ) সময়ে এটি করতে পারবেন না ।O(1)O(1)


8
একটি বৃত্ত বরাবর একটি বিলিয়ন পয়েন্ট স্থাপন কল্পনা করুন, কিন্তু সব কিছুটা সামান্য বিস্মিত, তাই আপনার পয়েন্ট একটি अस्पष्ट চেহারা রিং গঠন। চোখের সাহায্যে কেন্দ্রের নিকটতম পয়েন্টটি সন্ধান করতে, আমি দেখতে পাচ্ছি না যে আপনি সমস্ত পয়েন্ট এক এক করে পরীক্ষা করার চেয়ে কীভাবে আরও ভাল করতে পারেন।
নিক অ্যালজার

4
@ নিক অ্যালগার তাই এটি আরও বেশি পছন্দ O(numberOfPointsAboutTheSameDistanceFromTheTargetPointAsTheClosestPoint), যা এর সাথে সম্পর্কিত নয় n। যেভাবেই হোক না কেন, আমি মনে করি এর উত্তরের একটি উত্তর মানুষের সম্ভাব্য তথ্য কাঠামোগুলি উপস্থাপন করবে যাতে কীভাবে মানব মন এটি উপলব্ধি করে এবং অনুসন্ধান করে। কেবল বলার অপেক্ষা রাখে না যে ও (1) অলস বোধ করে? অপর্যাপ্ত?
ডিউক্লিং

5
@ ডুকলিং ও (কিছু) সবচেয়ে খারাপ ক্ষেত্রে বোঝায়। যদি এমন কোনও লেআউট থাকে যেখানে মানব মস্তিষ্ক অবিচ্ছিন্ন সময়ে এটি করতে না পারে তবে অবশ্যই এটি ও (1) নয়। যদি X এর কিছু সীমা থাকে যেখানে মানব মস্তিষ্ক ধ্রুবক সময়ে X পয়েন্টগুলি প্রক্রিয়া করতে পারে তবে এক্স * 2 পয়েন্টটি মোটেও প্রসেস করতে পারে না - তবে এটি ও (1) নয়।
পিটারিস

3
@ ডুকলিং এটি n এর উপর নির্ভরশীল, যেহেতু সবচেয়ে খারাপ ক্ষেত্রে এটি n এর সমান, এবং যদি আপনি n নির্বিচারে পয়েন্ট দেন তবে আপনাকে আশা করা উচিত যে এটি সি * এন অপারেশনগুলির চেয়ে দ্রুত করা সম্ভব নয়।
পিটারিস

2
@ পিটারিস আমি অনুমান করি যে "প্রয়োজনীয়ভাবে এন এর উপর নির্ভরশীল" হওয়ার অর্থ কী এবং নিকটতম উপরের সীমানা কীভাবে নির্ধারণ করা যায় সে সম্পর্কে আমরা একমত নই।
ডিউক্লিং

15

চাক্ষুষ পরিদর্শনটির শ্রেষ্ঠত্ব গুরুতর প্রাঙ্গনে আবদ্ধ যার সাধারণভাবে গ্যারান্টি দেওয়া যায় না:

  • স্কেলিং : আপনি আগ্রহের ক্ষেত্রের গ্রাফিকাল উপস্থাপনার দিকে মনোনিবেশ করেন। এর অর্থ হল, জ্যামিতিটি আপনার দর্শনের ক্ষেত্রে ফিট করার জন্য ছোট করে দেওয়া হয়েছে। সাধারণ সেটিংয়ে এটি ইতিমধ্যে প্রাক প্রসেসিংয়ের জন্য সময় প্রয়োজন ।O(n)

  • গণনা : (ডিডাব্লু প্রদত্ত উত্তরে নিক আলজারের সিএফ মন্তব্য) আপনার রেটিনা কোষের সংখ্যা ছাড়িয়ে একটি পয়েন্ট গণনা অনুমান করে - আপনি জড়িত সমস্ত পয়েন্টও সনাক্ত করতে পারবেন না।

  • বৈকল্পিকতা : (ডিডাব্লু প্রদত্ত উত্তরে নিক অ্যালজারের সিএফ মন্তব্য) একটি নিয়মিত (যেমন ষড়যন্ত্র) গ্রিডের উপর ছোট ছোট এলোমেলো ব্যর্থতার শিকার হওয়ার পয়েন্টের একটি সেট ধরে নেওয়া হয়। যদি এই প্রতিবিজ্ঞানগুলি আপনার রেটিনার (বা অন্য কোনও ওভারলাইড গ্রিড) রেজোলিউশনের চেয়ে কম হয়ে যায়, তবে আপনি কেবল প্রকৃত সর্বনিম্ন দূরত্ব সনাক্ত করতে কঠোর চাপবেন না তবে উচ্চ সম্ভাবনার সাথে ভুল জোড় পয়েন্ট বেছে নিতে পারবেন pick

ধরে নেওয়া যে মানসিক প্রক্রিয়াগুলি জ্যামিতিক উপস্থাপনের কিছু জড়িতকরণ জড়িত (বনাম চলুন একটি দূরত্বের ম্যাট্রিক্স বলি), এই প্রক্রিয়াগুলি সমস্যার উদাহরণের আকারের সাথে নির্বিচারে স্কেল করে না। বিভিন্ন পদে রাখুন, একটি সাধারণ সেটিংয়ের জন্য, প্রিপ্রোসেসিং স্যাম্পলিং পদ্ধতি চালানো দরকার । মানব চাক্ষুষ পরিদর্শনে, এই প্রিপ্রোসেসিংয়ের পরামিতিগুলি উপলব্ধিকরণের সরঞ্জামগুলিতে (রেটিনা কোষগুলির সংখ্যা, রেটিনাল এরিয়া) শক্ত হয়ে থাকে যা এই প্রক্রিয়াকরণ পর্যায়ে O ( 1 ) হিসাবে উপস্থিত হয় ।O(n)O(1)


1
ওপিতে সমস্ত পয়েন্টের ভিজ্যুয়াল ইন্সপেকশনটি ফ্যাক্টর করা ছিল যেহেতু এটি কোনও সিস্টেমের দ্বারা করা উচিত যা সেগুলি সমস্ত অ্যাকাউন্টকে বিবেচনা করে। আমি মনে করি সে কারণেই তিনি মোড়কযুক্ত জটিলতা O ( l o g ( n ) ) বিবেচনা করছেন । অন্যদিকে, বিরল ব্যক্তি ব্যতীত, বেশিরভাগ মানুষ একটি প্রশ্ন থেকে পরবর্তী প্রশ্নের গ্রাফটি মনে রাখবেন না। এছাড়াও, চোখটি কোনও রাস্টার চিত্র ব্যবহার করে তার অর্থ হল যে স্ক্যান করা ধ্রুব সময়ে হয় এবং প্রাসঙ্গিক অংশে যথেষ্ট নির্ভুলতার সাথে মনোযোগ কেন্দ্রীকরণ লোগারিথমিক। দীর্ঘ দূরত্বে ছোট পার্থক্যগুলি যেভাবেই বোঝা যায় না (আমার উত্তরে ওয়েবার-ফেকনার আইন দেখুন)। O(n)হে((এন))
বাবু

যতদূর আমি বুঝতে, অপ আউট উপাদান একটি অ্যালগরিদম যে সব জন্য এন এন নির্ণয় আবেদন করার জন্য এন পয়েন্ট হে ( হে(এন)এন পরে পুনরাবৃত্তি দেখার জন্য প্রস্তুত। আমার বক্তব্যটি বরং এটি হয়েছে যে ধ্রুবক সময়ে কোনও রাস্টার স্ক্যানিং সমস্ত সমস্যার দৃষ্টান্ত পূরণ করতে পারে না কারণ দূরত্বের পার্থক্য গ্রিডলাইন ব্যবধানের নীচে নেমেযেতে পারেবা এন গ্রিড পয়েন্টের সংখ্যার চেয়ে বেশি হতে পারে। লগারিদমিক সময়ে প্রাসঙ্গিক অংশটির দিকে মনোনিবেশ করা কেন্দ্রে 1 পয়েন্টযুক্ত একটি বৃত্তের 'প্রায়' সমস্ত পয়েন্টের জন্য কৌশলটি করে না কারণ সমস্ত পয়েন্ট প্রাসঙ্গিক (আমি আপনাকে ভুল করে পেয়েছি)। হে(এনলগ ইন করুনএন)এন
কলস্পার

15
  1. কম্পিউটার একটি ভিন্ন সমস্যা সমাধান করছে। এটি পয়েন্টগুলির তালিকা তৈরি করে , পয়েন্টগুলির রাস্টারাইজড চিত্র নয়। একটি তালিকা থেকে কোনও চিত্রে রূপান্তরিত করা, অর্থাৎ পয়েন্টগুলি "প্লট করা" O(n)সময় লাগে ।

    কুইক! যা সবচেয়ে কাছের (1,2):

    • (9, 9)
    • (5, 2)
    • (3, -2)
    • (4, 3)
    • (0, 4)
    • (1, 9)

    অনেক শক্ত, তাই না? আমি বাজি রাখি যদি আমি তালিকাটি দ্বিগুণ করে তৈরি করি তবে আপনাকে দ্বিগুণ কাজ করতে হবে।

  2. আপনার মস্তিষ্ক কতটা কাজ করছে তা আপনি জানেন না। কোন বিন্দুটি নিকটে রয়েছে আপনি "কেবল জানেন না"। আপনার মস্তিষ্ক সেই উত্তরটি খুঁজে বের করার জন্য এবং এটি উপলব্ধ করার জন্য গণ্যমূলক কাজ করছে। মস্তিষ্ক প্রতিটি পয়েন্টে সমান্তরালে কাজ করে, তাই শেষ করার সময়টি প্রায় একই থাকে, তবে প্রয়োজনীয় কাজের পরিমাণ পয়েন্টের সংখ্যার সাথে এখনও বৃদ্ধি পায়।


13

একই কারণে আপনি যখন ত্রিভুজটি দেখেন এবং এটি ত্রিভুজ জানেন তখন আপনি লক্ষ লক্ষ গণনা ভুলে যাচ্ছেন না কেন।

নিউরাল নেটওয়ার্ক

বাস্তবে আপনি একটি নিউরাল নেটওয়ার্ক যা প্রচুর পরিমাণে উপাত্তের উপর প্রশিক্ষিত এবং লোড করা হয়েছে।

শিশুর আকারের বাছাইয়ের খেলাকে উদাহরণ হিসাবে ধরুন:

এখানে চিত্র বর্ণনা লিখুন

কোনও শিশু যখন প্রথম এটির সাথে যোগাযোগ করে তখন সম্ভবত তারা ভুল গর্তগুলিতে আকারগুলি সন্নিবেশ করানোর চেষ্টা করবে, কারণ এটি এখনও তাদের মস্তিষ্ককে প্রশিক্ষণ দেয়নি বা নেটওয়ার্ক তৈরির জন্য পর্যাপ্ত ডেটার মুখোমুখি হয়নি। কোন আকৃতিটি গর্তের সাথে ফিট করে তা নির্ধারণ করতে তারা প্রান্ত, আকার, .etc সম্পর্কে অনুমান করতে পারে না।

এটি আপনার কাছে স্পষ্ট বলে মনে হচ্ছে (আপনি আশা করি) কারণ আপনি এই সংযোগগুলি তৈরি করেছেন, আপনি এমনকি এটি স্বজ্ঞাত হিসাবে মনে করতে পারেন এবং এটি ভেঙে ফেলতে হবে না, উদাহরণস্বরূপ আপনি কেবল জানেন যে ত্রিভুজটি ত্রিভুজটি ফিট করে এবং আকারটি আনুমানিক করার দরকার নেই don't , প্রান্তগুলি গণনা করুন, .etc। এটি সত্য নয়, আপনি আপনার অবচেতনভাবে যা কিছু করেছিলেন তা কেবলমাত্র আপনার সচেতন মনেই হয়েছিল যে এটি একটি ত্রিভুজ। দৃশ্যমান উপস্থাপনা নেওয়া, এটি কী উপস্থাপন করছে তা বোঝা, পৃথক উপাদানগুলি কী তা বোঝা এবং তারপরে তার দূরত্বের অনুমান করা থেকে অনেক মিলিয়ন গণনা ঘটেছিল, এই সত্যটি যে আপনার কাছে বিপুল নির্বাচন করার জন্য তথ্যগুলির একটি বৃহত ডাটাবেস ছিল এই সরলটি তৈরি করেছিল।

আপনার মস্তিষ্ক বাইনারি নয়

আপনার মস্তিষ্ক যে ডেটা নিয়ে কাজ করে তা বাইনারি নয় (যতদূর আমরা জানি) সত্য বা মিথ্যা নয়, এটি অনেকগুলি রাজ্যকে ধারণ করে যে আমরা ডেটা ব্যাখ্যার জন্য ব্যবহার করি, আমরা জিনিসগুলি প্রায়শই ভুল হয়ে যায় এমনকি আমরা সঠিক অনুসরণ করলেও প্রক্রিয়া, এটি কারণ ডেটা প্রায়শই পরিবর্তন হয়। আমি একটি অনুমানকে ঝুঁকিপূর্ণ করব যে আমাদের মস্তিস্ক কোয়ান্টাম কম্পিউটারের মতো অনেক বেশি কাজ করে যেখানে বিটগুলি পড়ার আগ পর্যন্ত আনুমানিক অবস্থায় থাকে। অর্থাৎ আমাদের মস্তিষ্ক যদি কম্পিউটারের মতো কাজ করে তবে তা সত্যি জানা যায় না।

সুতরাং বাইনারি ডেটা নিয়ে কাজ করার জন্য একটি অ্যালগরিদম একই কাজ করবে না। আপনি দুটি তুলনা করতে পারবেন না। আপনার মাথায় আপনি ধারণাগুলি সঞ্চালনের জন্য ব্যবহার করছেন, সমৃদ্ধ ডেটা ধরণের যা আরও বেশি তথ্য রাখে, লিঙ্কগুলি যেখানে স্পষ্টভাবে সংজ্ঞায়িত হয় না সেখানে তাদের কারুকাজ করার ক্ষমতা আপনার রয়েছে; ত্রিভুজটি দেখে আপনি গোলাপি ফ্লয়েডের চাঁদের আচ্ছন্নতার গা side় দিকটি ভাবতে পারেন।

এখানে চিত্র বর্ণনা লিখুন

স্ক্যাটার গ্রাফটিতে ফিরে আসার কোনও কারণ নেই যে আপনি কোনও বিটম্যাপ ব্যবহার করে কম্পিউটারে এটি করতে না পেরে এবং রেডিয়ি বাড়ানোর বিন্দু থেকে দূরত্বটি পরিমাপ না করে যতক্ষণ না আপনি অন্য বিন্দুর মুখোমুখি হন। এটি সম্ভবত আপনি মানুষের কাছাকাছি যেতে পারে নিকটতম। ডেটা সীমাবদ্ধতার কারণে এবং এটি আমাদের মস্তিস্কগুলি অগত্যা গণনা জটিলতার বিষয়ে যত্ন নেয় না এবং কাজগুলি করার জন্য একটি জটিল রুট নেয় না বলে এটি অনেক ধীর হতে পারে।

এটি O (1), এমনকি ও (এন )ও হবে না যদি n পয়েন্টের সংখ্যা হয়, পরিবর্তে এর জটিলতা এখন চিত্রের একটি বাউন্ডে নির্বাচিত বিন্দু থেকে সর্বোচ্চ লিনিয়ার দূরত্বের উপর নির্ভর করে।

TL; ড

আপনার মস্তিষ্ক বাইনারি কম্পিউটার নয়।



8

আপনি একটি গুরুত্বপূর্ণ পদক্ষেপটি ভুলে যাচ্ছেন: আপনি যে গ্রাফটি দেখছেন সে সমস্ত পয়েন্ট প্লট করা।

এটি অগত্যা একটি হে (এন) অপারেশন।

এর পরে একটি কম্পিউটার চিত্রের স্বীকৃতি সফ্টওয়্যার ব্যবহার করে মানুষের চোখের মতো একইভাবে কেন্দ্রের নিকটতম নিকটস্থ পয়েন্টগুলি খুঁজে পেতে পারে। এটি একটি ও (আকারঅফিজমেশন) অপারেশন সবচেয়ে খারাপ ক্ষেত্রে।

কম্পিউটারের মতো একই কাজ করার জন্য একজন মানুষের মনে রাখবেন যে কম্পিউটারটি স্থানাঙ্কের একটি তালিকা পায় এবং কেবলমাত্র সেই সময়ে একটিতে নজর দিতে পারে।


1
যদি কেউ একটি ধ্রুবক "রেজোলিউশন" বাছাই করে তবে একটি এলোগরিদম ব্যবহার করতে পারে যা সময় পয়েন্ট সময় (লগ (রেজোলিউশন)) তাদের প্লট করতে এবং আগ্রহের পয়েন্টের "কাছাকাছি" থাকা সমস্ত পয়েন্ট সনাক্ত করতে পারে। ও (লগ (রেজোলিউশন)) এটিকে অস্পষ্টভাবে সাদৃশ্যযুক্ত যে কাগজে সঠিকভাবে পয়েন্ট তুলতে বেশি সময় লাগে ঠিক তত কম সুনির্দিষ্টভাবে করার জন্য। আরও নোট করুন যে রেজোলিউশনটি বৃদ্ধি করা অ-প্রার্থী পয়েন্টগুলি অপসারণের জন্য অ্যালগরিদমের প্রতি-পয়েন্টের ব্যয় বাড়িয়ে তুলবে, তবে অদূরবর্তী পয়েন্টের সংখ্যা হ্রাস করতে পারে elim
সুপারক্যাট

7

প্রশ্নের আমার ব্যাখ্যা:

আমি বিশ্বাস করি না যে এই প্রশ্নটি সরলিকভাবে এএ গণ্য জ্যামিতি জটিলতার সমস্যা হিসাবে নেওয়া হবে। এটি আরও ভালভাবে বোঝার মতো বলা উচিত: আমরা স্থির সময়ে উত্তরটি খুঁজে পাওয়ার একটি দক্ষতা উপলব্ধি করি, যখন আমরা পারি। এই উপলব্ধিটি কী ব্যাখ্যা করে এবং এই ব্যাখ্যা এবং মানব সীমাবদ্ধতা পর্যন্ত একটি কম্পিউটারও এটি করতে পারে।

সুতরাং প্রশ্নটি সম্ভবত প্রথমে মনোবিজ্ঞানী হিসাবে দেখা উচিত । সমস্যাটি সম্ভবত আপনার সময় এবং প্রচেষ্টা সম্পর্কে উপলব্ধি সম্পর্কিত। আপনি কি মস্তিস্ককে সত্যই মধ্যে পার্থক্য বুঝতে পারবেন?হে(1)হে((এন)) সময়ের ? নির্দিষ্ট পাল্টা উদাহরণগুলি বাস্তবে কিছু যায় আসে না, যেমন উপলব্ধির বিষয়গুলিতে আমরা স্বাচ্ছন্দ্যে গড় ব্যয়ের জন্য চিন্তা করি (জটিলতা সম্ভবত একটি ধারণাটিকে মনস্তাত্ত্বিকভাবে সুনির্দিষ্ট করে তোলে)। আরও সঠিকভাবে, আমরা সাধারণ ক্ষেত্রে বেশি আগ্রহী, বিশেষ ক্ষেত্রে যখন আমরা যখন মনে করি আমরা সহজেই প্রশ্নের উত্তর দিতে পারি না।

এটি দ্বারা জোরদার করা যেতে পারে ওয়েবার-প্রযুক্তিবিদ আইন , যা বলেছে যে আমাদের উপলব্ধিটি প্রকৃত শারীরিক পরিমাপের লগারিদমিক স্কেলে পরিমাপ করা উচিত। অন্য কথায়, আমরা পরম পরিবর্তনের চেয়ে আপেক্ষিক বৈচিত্রগুলি উপলব্ধি করি। এটি উদাহরণস্বরূপ যে শব্দটির তীব্রতা ডেসিবেলে পরিমাপ করা হয়।

হে((এন))হেψ(((এন)))হেψ মনস্তাত্ত্বিক জটিলতা " এর ।

হেψ(((এন))) যা সমস্ত ব্যবহারিক উদ্দেশ্যগুলির জন্য সম্ভবত একটি ধ্রুবক থেকে অনুধাবনযোগ্যভাবে অবিচ্ছিন্ন হয় এবং স্বীকৃতি প্রক্রিয়া শুরু করতে এবং ফলাফল স্বীকৃতি দেওয়ার জন্য কিছুটা ধীরে ধীরে সময় যুক্ত করা হয়।

শারীরবৃত্তীয় সীমাবদ্ধতা বিবেচনায় নেওয়া

চিত্র অধিগ্রহণের পদক্ষেপগুলি বিবেচনা করার সময় উপরোক্ত উপসংহারটি আরও টিকিয়ে রাখা হয়।

ওপিতে যথাযথ ডেটা স্ট্রাকচার, "যেমন একটি চতুষ্কোণ" জাতীয় কাঠামো নির্মাণের বিষয়টি আলাদা করা উচিত, যা বেশ কয়েকটি প্রশ্নের উপর এমোরিটাইজড।

এটি বেশিরভাগ লোকের জন্য কাজ করে না যারা এই চিত্রটি মুখস্ত করে না। আমি মনে করি চিত্রটি প্রতিটি ক্যোয়ারির জন্য স্ক্যান করা হয়েছে, তবে এটি সমস্ত পয়েন্ট স্ক্যান করে বোঝায় না: প্রথমবার নয়, পরবর্তী প্রশ্নের জন্য নয়।

টিগুলিএকটিএনটিগুলিএকটিএন সময় স্থিতিবিন্যাস এবং চোখের ফোকাস পরিবর্তন করতে, প্লাস সম্ভবত। তাত্ত্বিকভাবে, এই অপারেশনটি পুনরাবৃত্তি হতে পারে, যা লোগারিথমিক ফোকাসিংয়ের দিকে পরিচালিত করে, তবে আমি বিশ্বাস করি যে অনুধাবন অনুশীলনে, দৃষ্টি নিবদ্ধ করার ক্ষেত্রে আরও একটি অতিরিক্ত পদক্ষেপ রয়েছে।

মিহেψ(((মি)))

2272(27)

ব্যবহারের জন্য আসল ইউনিটগুলি না জেনে, এটি সহজভাবে দেখায় যে প্রক্রিয়াজাতকরণের প্রকরণটি অন্যান্য ধ্রুবক সময়ের ক্রিয়াকলাপগুলির মতো একই ক্রমে সবচেয়ে খারাপ। অতএব, এটি খুব স্বাভাবিক যে নিকটতম বিন্দুটি সন্ধানের জন্য উপলব্ধি করা সময়টি ধ্রুবক বোধ করে। । । আমরা নিকটতম বিন্দু নির্ধারণ করি বা নিকটতম পয়েন্টগুলির কেবলমাত্র একটি সেট।

পাল্টা উদাহরণ এবং একটি সম্ভাব্য সমাধান সম্পর্কে

পাল্টা উদাহরণগুলি তৈরি করা অবশ্যই সহজ যা নিকটতম পয়েন্টগুলির একটি ছোট সংগ্রহের মধ্যে চোখের নিকটতম বিন্দুটিকে নির্ধারণ করে তোলে। এই কারণেই ওপি প্রকৃতপক্ষে একটি অ্যালগরিদম চাইছে যা নিকটতমগুলি বাদ দিয়ে বেশিরভাগ পয়েন্টকে দ্রুত সরিয়ে দেয়। বেশ কয়েকটি নিকটস্থ পয়েন্টগুলির মধ্যে chosing সম্ভাব্য সমস্যা এই ইস্যুটি অনেক উত্তরে সম্বোধন করা হয়, নিকটতম পয়েন্টগুলির দৃষ্টান্তমূলক উদাহরণটি রেফারেন্স পয়েন্টের চারপাশে প্রায় একটি বৃত্তে রয়েছে। সাধারণত ওয়েবার-প্রযুক্তিবিদ আইনগুলি দীর্ঘ দূরত্বের তুলনায় ছোট দূরত্বের পার্থক্যের পার্থক্য করতে সক্ষম হওয়া থেকে বিরত থাকে। এই প্রভাবটি আসলে অন্যান্য পয়েন্টগুলির উপস্থিতি দ্বারা বাড়ানো যেতে পারে যা নির্মূল হলেও দূরত্বের ধারণাটি বিকৃত করতে পারে। সুতরাং নিকটতম স্থানটি চিহ্নিত করার চেষ্টা করা একটি কঠিন কাজ হবে, এবং যথাযথ পরীক্ষার পদক্ষেপগুলির প্রয়োজন হতে পারে যেমন যন্ত্র ব্যবহার করা যা ধ্রুবক সময়ের অনুভূতিটিকে পুরোপুরি ধ্বংস করে দেয়। তবে এটি ওপি কর্তৃক বিবেচিত পরীক্ষার সীমার বাইরে স্পষ্ট বলে মনে হয়, অতএব খুব প্রাসঙ্গিক নয়।

উত্তর দেওয়ার প্রশ্নটি , যা আসলে ওপি কর্তৃক জিজ্ঞাসিত প্রশ্নটিই হ'ল সম্ভবত পয়েন্টগুলির বেশিরভাগ পয়েন্টকে বাদ দেওয়ার কোনও উপায় আছে কি না, সম্ভবত কয়েকটি বাকী ক্ষেত্রে যা রেফারেন্স পয়েন্টের সাথে খুব বেশি দূরত্ব রয়েছে বলে মনে হয়।

হে((এন))

Orর্ধ্বমুখী ব্যয় প্রত্যাখ্যান করা কম্পিউটার সমাধানের অনুমতি দেয় না, যেহেতু সমস্ত পয়েন্টের দিকে নজর দেওয়া উচিত। এটি মস্তিষ্কের কম্পিউটিং শক্তি এবং মানুষের উপলব্ধিগুলির মধ্যে একটি বৃহত পার্থক্যকে নির্দেশ করে: এটি এমন বৈশিষ্ট্যগুলির সাথে অ্যানালগ গণনা ব্যবহার করতে পারে যা ডিজিটাল গণনার থেকে পৃথক । এটি সাধারণত তখন ঘটে যখন কোটি কোটি পয়েন্ট চোখের দ্বারা পৃথক নয়, যার অন্ধকারের বিভিন্ন শেডযুক্ত বড় মেঘ ছাড়া আর কিছু দেখার রেজোলিউশন নেই। তবে চোখটি তখন প্রাসঙ্গিক ছোট অংশের দিকে মনোনিবেশ করতে পারে এবং প্রাসঙ্গিক অংশগুলি যুক্ত একটি সীমিত সংখ্যক পয়েন্ট দেখতে পারে। এটি আলাদা আলাদাভাবে সমস্ত পয়েন্ট সম্পর্কে জানতে হবে না। কম্পিউটারটি একই কাজ করার জন্য, আপনাকে প্রতিটি পয়েন্টের সুনির্দিষ্ট সংখ্যাসূচক তুলনায় এটি একটি অনুরূপ সেন্সর দিতে হবে। এটি খুব আলাদা সমস্যা।

"মেরি ভিজ্যুয়াল ইন্সপেকশন" কিছু ক্ষেত্রে ডিজিটাল গণনার চেয়ে অনেক বেশি শক্তিশালী। এবং এটি সেন্সরগুলির পদার্থবিজ্ঞানের জন্যও রয়েছে, কেবল মস্তিষ্কের সম্ভবত কোনও বৃহত্তর কম্পিউটিং শক্তির পক্ষে নয়।


হে(1)হে(লগ ইন করুনএন) হে(1)হে(1)হে(লগ ইন করুনএন)যখন আপনি নিখুঁত উপলব্ধিযোগ্য স্বীকৃতির বাইরে কোনও কাজ সমাধান করেন, যেমন লেবেলযুক্ত নোডগুলি সহ ভারসাম্য বাইনারি হ্যাপের একটি গ্রাফিকাল উপস্থাপনায় একটি প্রদত্ত সংখ্যার সন্ধান করুন। মনে রাখবেন যে আপনি কেবল স্থানীয়ভাবে গ্রাফিকগুলি পরিদর্শন করেন তাই ধারণাগত সংযোজনগুলির কোনও বিষয় নেই।
কলস্পার

এন

হেψ(((এন)))

4

আমাদের পরীক্ষায় শিক্ষার্থীরা ছিল যারা যখন জিজ্ঞাসা করা হয় যে আপনি কীভাবে একটি অ্যারে বাছাই করতে পারেন, তখন তারা দাবি করত যে কম্পিউটারগুলি বোকা, এবং n * লগ (এন) (বা আরও খারাপ) প্রয়োজন, যখন মানুষ এটি দ্রুত করতে পারে।

আমার অধ্যাপকের উত্তর সর্বদা ছিল: আমি 10.000 আইটেমের একটি তালিকা দেব। আসুন দেখুন আপনি কোনও পদ্ধতি নিয়ে আসতে পারেন যা কোনও কম্পিউটার কী করবে তার চেয়ে দ্রুত।

এবং তারপরে: আপনি যখন সবচেয়ে কাছের পয়েন্টটি অনুসন্ধান করার চেষ্টা করবেন তখন কতগুলি প্রসেসিং কোর জড়িত? আপনি কোনও একক-প্রসেসর মেশিন নন, আপনার একটি নিউরাল নেটওয়ার্ক রয়েছে, এটি যখন এই জাতীয় কাজের ক্ষেত্রে আসে তখন কিছুটা নমনীয়তা থাকে।


1
যখন আপনাকে বাছাই করার দরকার হয় তখন ডেটা সম্পর্কে আপনি কী জানেন এবং আপনার কী কী সংস্থান রয়েছে সে সম্পর্কে বিভিন্ন দিক প্লাস করুন উদাহরণস্বরূপ, যদি আপনার সহপাঠী শিক্ষার্থীদের এমন কোনও কিছু সাজানোর দরকার হয় যা তারা ঘরে পুরোপুরি ফিট করে না।
থরবজর্ন রাভন অ্যান্ডারসন

@ থরবজরন রাভানএন্ডারসন: স্পেস-জটিলতা "8 ^ room রুমে পুরোপুরি ফিট করতে পারে না এমন কিছু"
জেন

3

আমি বিশ্বাস করি @ প্যাট্রিক ৮87 আপনাকে ক্লু দিয়েছে: আপনার চোখ এবং মস্তিষ্ক একটি বহুল সমান্তরাল কম্পিউটিং মেশিন। কিছু যুক্তি দিয়েছিলেন যে এটি বিষয়টি ব্যাখ্যা করে না, কারণ ইচ্ছামত বড় সমস্যার জন্য একটি সীমাবদ্ধ সমান্তরাল প্রসেসরের সংখ্যক পার্থক্য নেই।

তবে এটি এখানে রয়েছে: অনেকের ইঙ্গিত হিসাবে, আপনার চোখ (এবং মস্তিষ্ক) এই সমস্যাটি সমাধানের সীমাবদ্ধ ক্ষমতা আছে; এবং এটি কারণ একটি সাধারণ মানুষের দৃষ্টিতে sp আপনার চোখগুলি শুরু করার জন্য তাদের পার্থক্য করতে সক্ষম হওয়া প্রয়োজন, এবং যদি খুব বেশি হয় তবে তারা আপনার চোখের চেয়ে ততটা ঘনিষ্ঠ হবে আপনার পার্থক্যটি লক্ষ্য করবে না। নীচের লাইন: এটি যথেষ্ট ভাল পয়েন্টগুলির জন্য দ্রুত যা আপনার সাধারণ দৃষ্টিতে খাপ খায়, অর্থাত্ খুব কম। অন্যান্য ক্ষেত্রে এটি ব্যর্থ হবে।

সুতরাং, ছোট ও সাধারণ ক্ষেত্রে আপনার মস্তিষ্ক একটি বাতাসে প্রক্রিয়াজাত করতে পারে তার জন্য আপনি ও (1) এ এই সমস্যার সমাধান করতে পারেন। এর বাইরে এটি এটি করতে পারে না এবং এটি ও ( কিছুই ) নয় কারণ এটি সম্ভবত ব্যর্থ হয়।


1

কেউ উল্লেখ করেনি যে একটি স্পেসিয়াল ইনডেক্স সহ কম্পিউটারে এই সমস্যাটি খুব দ্রুত সমাধান করা যায়। আপনার চোখের দ্রুত স্ক্যান করতে এবং বেশিরভাগ পয়েন্ট মুছে ফেলার জন্য এটি একটি চিত্রের পয়েন্টগুলি প্লট করার সমতুল্য।

জিওহ্যাশ নামক নিকটতম বিন্দু (গুলি) সন্ধান করতে গুগল এবং অন্যরা ব্যবহার করেছেন খুব ভাল ইনডেক্সিং অ্যালগরিদম। http://en.wikedia.org/wiki/Geohash

আমি মনে করি এটি কম্পিউটারের পক্ষে প্রতিযোগিতাটি পর্যন্ত তৈরি করবে। লিনিয়ার চিন্তাভাবনা ব্যবহার করা এমন কয়েকটি উত্তর নিয়ে আমি মুগ্ধ হইনি।


Θ(এন) Θ(এলজিএন)

মুল বক্তব্যটি হল যে একটি স্থানিক সূচকগুলি বিন্দুতে লিখিত পর্দার দিকে তাকানো কোনও মানুষের পক্ষে যতটা সহজ।
রিইনারপোস্ট

1

যদি আমরা ইউক্লিডিয়ান স্পেসে এন-ডাইমেনশনের একটি বিন্দুতে নিকটতম প্রতিবেশী সন্ধানের ক্ষেত্রে বিবেচনা করি তবে জটিলতাটি সাধারণত বড় হওয়ার সাথে সাথে (অর্থাত্ ডেটাসেটের আকারের চেয়ে বড়) মাত্রা সংখ্যার সাথে আবদ্ধ থাকে।

হে(লগ ইন করুন-2এন)

গ্রাফের কোনও নোডের নিকটতম বিন্দু সন্ধানের সমস্যাটির একটি ইউক্লিডিয়ান অভিব্যক্তি রয়েছে যখনই গ্রাফটি ইউক্লিডিয়ান স্পেসে যথেষ্ট ছোট বিকৃতির সাথে এম্বেড করা যায়। এবং ওজন সহ একটি সংলগ্ন তালিকা ব্যবহার করে, আমাদের এখনও সংলগ্ন তালিকা তৈরি করতে হবে।

হে(1)


-1

অন্যান্য উত্তরগুলি ভাল তবে কীভাবে একটি জেন ​​পাল্টা প্রশ্ন যা কিছু প্রশ্নের ত্রুটি দেখানোর জন্য মূল প্রশ্নের মূল যুক্তি / ভিত্তি প্রসারিত করে [তবে এআই গবেষণার মূল বিষয়টিও রয়েছে ]:

যদি আমি মানুষের বুদ্ধি দিয়ে চিন্তা করতে পারি তবে কেন আমি এমন একটি কম্পিউটার তৈরি করতে পারি না যা মানুষের পাশাপাশি চিন্তা করে?

আপনার প্রশ্নের উত্তর দেওয়ার জন্য একাধিক উপায় রয়েছে, তবে মূলত, আমাদের চিন্তার প্রক্রিয়া এবং মস্তিষ্কের উপলব্ধিযোগ্য দক্ষতা অন্তর্নির্ভরকরণের জন্য অগত্যা অ্যাক্সেসযোগ্য নয় এবং আমরা তাদের যে আত্মতত্ত্বকে প্রয়োগ করি তা বিভ্রান্তিকর হতে পারে। উদাহরণস্বরূপ আমরা বস্তুগুলি সনাক্ত করতে পারি তবে আমাদের যে পরিমাণটি-অ্যালগোরিদমিক প্রক্রিয়া এটির অনুমতি দেয় সেগুলি বোঝার / ব্যাখ্যা করার কোনও উপায় নেই। এছাড়াও অনেকগুলি মনোবিজ্ঞানের পরীক্ষা-নিরীক্ষা রয়েছে যা দেখায় যে আমাদের বাস্তবতার উপলব্ধি এবং নির্দিষ্ট সময়ের উপলব্ধিতে সূক্ষ্ম বিকৃতি রয়েছে, যেমন সময় উপলব্ধি দেখুন

এটি বিজ্ঞানীদের দ্বারা সাধারণত ধারণা করা / অনুমান করা হয় যে মানুষের মস্তিষ্ক আসলে অ্যালগরিদম নিয়োগ করে তবে কম্পিউটারাইজডদের চেয়ে তারা আলাদাভাবে কাজ করে, এবং নিউরাল নেটওয়ার্কগুলির মাধ্যমে মস্তিষ্কে প্রচুর পরিমাণে সমান্তরাল প্রক্রিয়াকরণ চলছে যা সংবেদনশীলতার সাথে তুলনা করা যায় না অনুক্রমিক কম্পিউটার অ্যালগোরিদম। স্তন্যপায়ী প্রাণীদের মধ্যে পুরো মস্তিষ্কের পরিমাণের একটি উল্লেখযোগ্য শতাংশ ভিজ্যুয়াল প্রসেসিংয়ের জন্য উত্সর্গীকৃত।

অন্য কথায় মানুষের মস্তিষ্কে বিভিন্ন উপায়ে অত্যন্ত অপ্টিমাইজড ভিজ্যুয়াল কম্পিউটার রয়েছে এবং তারা আসলে বিভিন্ন উপায়ে এমন ক্ষমতা রাখে যা বর্তমানে বিশ্বের বৃহত্তম সুপার কম্পিউটারগুলি ছাড়িয়ে যায়, যেমন বস্তুর স্বীকৃতি ইত্যাদি হিসাবে এবং এটি ঘাটতির কারণে (তুলনায়) জীববিজ্ঞানের তুলনায় মানব-নির্মিত সফ্টওয়্যার / হার্ডওয়্যারের ক্ষেত্রে যা লক্ষ লক্ষ বছর ধরে অত্যন্ত সুরযুক্ত / বিকশিত / অনুকূলিত হয়েছে।


হে((এন))

-2

সাধারণভাবে বলতে গেলে আপনি দুটি পৃথক সমস্যা সমাধান করছেন এবং যদি আপনি একই প্রতিযোগিতায় প্রতিদ্বন্দ্বিতা করেন তবে জটিলতা আপনার উভয়ের জন্যই (1) হবে। কেন? আসুন পরিস্থিতিটি কিছুটা সহজ করুন - ধরে নিন যে আপনার একটি রেড পয়েন্ট এবং এন সবুজ পয়েন্ট রয়েছে। আপনার কাজটি হ'ল সবুজ পয়েন্ট যা রেড পয়েন্টের নিকটে সবচেয়ে সন্ধান করা। সবকিছু গ্রাফ এ আছে। এখন আপনি যা করছেন এবং আপনি যা করছেন প্রোগ্রামটি মূলত একই - লাল বিন্দু থেকে কেবল "দূরে চলে" (উভয় দিকে) এবং আপনি যে পিক্সেলটি দেখছেন তা সাদা / কালো (পটভূমি) বা সবুজ কিনা তা পরীক্ষা করে দেখুন। এখন জটিলতা হ'ল ও (1)।

মজার বিষয় হ'ল কিছু উপস্থাপনা পদ্ধতি অবিলম্বে কিছু প্রশ্নের উত্তর দেয় (ও (1))। বেসিক উদাহরণটি অত্যন্ত সহজ - কেবল কালো চিত্রটিতে সাদা পিক্সেল গণনা করুন (প্রতিটি পিক্সেলের মান 0 = কালো বা 1 = সাদা)। আপনার যা করতে হবে তা হ'ল কেবলমাত্র সমস্ত পিক্সেল মান যুক্ত করুন - জটিলতা 1 সাদা পিক্সেলের জন্য এবং 1000 এর জন্য একই তবে এটি চিত্রের আকারের উপর নির্ভর করে - ও (এম), এম = চিত্র.উইথ * চিত্র.উত্তর। এটি কি দ্রুত করা সম্ভব? অবশ্যই, আমাদের যা করা দরকার তা হল চিত্রগুলি সংরক্ষণের বিভিন্ন পদ্ধতি যা অবিচ্ছেদ্য চিত্র : এখানে চিত্র বর্ণনা লিখুন এখন ফলাফল গণনা করা হচ্ছে হে (1) (যদি আপনার ইতিমধ্যে ইন্টিগ্রাল ইমেজ গণনা করা থাকে)। আর একটি উপায় হ'ল অ্যারে / ভেক্টর / তালিকা / ... তে সমস্ত সাদা পিক্সেল সংরক্ষণ করুন এবং এটির আকার গণনা করুন - ও (1)


হে(1)হে(1)

@ ফ্র্যাঙ্কডব্লিউ - তাহলে "দূরে চলে যাওয়ার" জটিলতা কী? আমি ভুল করে বলার চেষ্টা করছি না, আমি শুধু জানতে চাই। অ্যারে / ভেক্টর / তালিকার আকার গণনা - সাধারণত অ্যারের আকার স্থির থাকে তাই এটি গণনা করার দরকার নেই, ভেক্টর - আমি নিশ্চিত নই, আমি বলব এটি বাস্তবায়নের উপর নির্ভর করে (তবে বেশিরভাগ বাস্তবায়নে সম্ভবত এটি কেবল ক্ষেত্রের ক্ষেত্রের) কোনও বস্তু যাতে এটি গণনা করার দরকার নেই), তালিকা তৈরি করুন - আপনি ঠিক বলেছেন, এটি ও (1) নয় - আমার ভুল।
জুলাই

হে(#পিআমিএক্সগুলি)
আমাদের সাইট ব্যবহার করে, আপনি স্বীকার করেছেন যে আপনি আমাদের কুকি নীতি এবং গোপনীয়তা নীতিটি পড়েছেন এবং বুঝতে পেরেছেন ।
Licensed under cc by-sa 3.0 with attribution required.