5-2 От распознавания к созданию — переворачиваем стрелку таблицы признаков

1Миссия

Второе задание — «Создайте бросок»

Нарушителя поймали. Но у штаба остался второй вопрос: можно ли с помощью тех же чисел, что служили для распознавания, теперь создавать движения?

[SYSTEM] 03:40 · Отчёт о выполнении 5-1 принят. Следующее задание: генерация движений человечка-палочки. Вложение: 100 сцен броска.

ДокторДискриминативная модель получает движение и выдаёт метку. А теперь перевернём стрелку: получаем метку и выдаём движение. Это генеративная модель!

АссистентУ нас целых 100 сцен броска… Если всё усреднить, разве не получится «типичный бросок»?

Исследователь-дрозофилаПопробуй. Скорее всего, руки сложатся и пропадёт сила. Вся суть в том, как смешивать числа. И ещё Эксперт должен всё оценить.

Робот лабораторииПодготовлены четыре генератора: среднее, кубик, копия и выбор ручек (латентных переменных)[прим.]. В оценочном листе Эксперта пять критериев.

Вся стена увешана карточками с движениями человечков-палочек; Ассистент рассматривает одну карточку через лупу, а Исследователь-дрозофила и робот-коробка проверяют карточки на ленте конвейера — Склад данных о движениях. Одна карточка — одна сцена, 1196 чисел.

2Переворот

Если перевернуть стрелку — дискриминативная и генеративная модели

Те же три блока, отличается только направление стрелки. Переключайтесь между двумя направлениями.

Направление

Сцена

Дискриминативная модель (распознавание)

Вопрос: «Что это за движение?»
Направление информации: много чисел → мало чисел. Сокращать легко.
Ответ: один. Одно и то же движение всегда получает одну и ту же метку.
Хорошо ли получилось: достаточно проверить, совпал ли ответ с правильным.

Генеративная модель (создание)

Вопрос: «Покажи мне такое движение».
Направление информации: мало чисел → много чисел. Нужно заполнить пустые клетки.
Ответ: много. Каждый раз должен получаться немного другой бросок.
Хорошо ли получилось: правильного ответа нет. Нужно отдельно измерять, правдоподобно ли, разнообразно ли и не скопировано ли (раздел 6).

Объяснение для начинающих

Обычно говорят, что дискриминативная модель учит «вероятность правильного ответа при данном входе», а генеративная — «вероятность того, как выглядят сами данные» [R1]. Зная форму данных, можно выбирать новые данные, следуя этой форме. Современный генеративный ИИ (GAN [R2], VAE [R3], диффузионные модели [R5]) решает одну и ту же задачу «выучить форму и выбрать новую точку» разными способами.

3Движение — таблица

Движение — это таблица: 46 строк × 26 столбцов, 1196 чисел

Мы развернули сцену с человечком-палочкой из 5-1 в таблицу. Именно эти 1196 клеток и должна заполнить генеративная модель. Наведите курсор на клетку.

Сцена

1196 чисел связаны между собой

Клетки таблицы не независимы. «Правый локоть» и «правое запястье» в одном кадре всегда находятся на расстоянии 0.16 (длина кости), а значения в двух соседних кадрах почти одинаковы (движение непрерывно). Дискриминативная модель может ответить, и не зная этих связей, но генеративная модель, нарушив их, сразу выдаёт себя. В следующем разделе мы сами их сломаем.

4Смешивание

Если смешать два движения — усреднение координат складывает руку

Самый простой способ «создать новое движение» — смешать два имеющихся. Попробуйте менять то, что именно смешивается. Полоски внизу показывают, насколько десять костей в текущем кадре отклонились от исходной длины (чем длиннее полоска, тем сильнее искажение; больше 5% — красным).

AB

Доля B50%

Что смешиваем

Результат Кода 1 (смешивание 50:50)

Если смешать бросок + махание рукой усреднением координат, ошибка длины костей в среднем 11.4%, а в худший момент — 99.9%. В тот момент запястья находились в противоположных сторонах, и средняя точка почти совпала с плечом — предплечье исчезло. Для пары «положить + пройти мимо» — 1.9% (худшее 25.7%), для «бросок + поднять» — 1.4% (худшее 20.4%). При усреднении углов у всех трёх пар 0.0%. «Среднее» одно и то же, но результат решает то, среднее чего мы берём.

5Данные

100 бросков — одно название, разные формы

Генеративная модель учит не одну сцену, а то, как разбросаны сцены. Мы разложили 100 бросков, в которых, как и в 5-1, менялись скорость, положение и размер. Нажмите точку слева, чтобы выбрать сцену.

6Генераторы

Четыре генератора и оценочный лист Эксперта

Из 100 бросков создаём шесть новых. Эксперт смотрит на пять вещей: правдоподобно ли (длина костей, дрожание, сила броска), разнообразно ли, не скопировано ли. Меняйте генератор и нажимайте «Создать заново».

Человечки-эксперты в галстуках, с планшетами и свистками, показывают на табло со звёздами и поднимают большой палец — Эксперт. В реальном обучении эту роль играет функция потерь или дискриминатор.

Генератор

Оценочный лист Кода 2 — по 20 на каждый генератор

Экран выше заново генерирует по шесть штук в браузере, поэтому числа немного отличаются. Таблица ниже — результат реального запуска Кода 2 (100 обучающих бросков, 20 сгенерированных). «Новизна» — расстояние до ближайшей обучающей сцены (в единицах роста, среднеквадратичное по координатам).

Генератор	Ошибка длины костей	Дрожание	Макс. скорость запястья	Разнообразие	Новизна	Отзыв Эксперта в одну строку
Обучающие данные (для справки)	4.7%	0.0288	2.55	0.126	0.000	Из-за дрожания оценки позы даже у реальных данных длина костей колеблется на 4.7%
A Одно среднее	1.7%	0.0045	1.36	0.000	0.033	Плавно, но всегда одинаково, и сила упала вдвое
B Кубик для каждой координаты	44.2%	0.2659	10.00	0.149	0.109	Разнообразно, но это не человек. Запястье телепортируется
C Выбрать одну и скопировать	4.7%	0.0300	2.75	0.125	0.000	Правдоподобно, но скопировано
D Выбор 3 ручек	0.0%	0.0125	2.71	0.123	0.022	Все пять критериев пройдены. Правда, ручки были известны заранее

Если использовать Эксперта при обучении

Эксперт в этой части только ставит оценки, когда всё уже создано. Настоящие генеративные модели сразу используют оценку для обучения. Они либо подправляют веса так, чтобы уменьшить функцию потерь — одно число, показывающее, насколько результат отличается от обучающих данных (VAE [R3]), либо назначают Экспертом дискриминатор, отличающий настоящее от поддельного, и заставляют его соревноваться с генератором (GAN [R2]). Получается, что дискриминативная модель из 5-1 возвращается в 5-2 в роли Эксперта.

7Следующая миссия

Откуда берутся ручки — к следующей миссии

D победил потому, что выбирал не из 1196 чисел, а из 3 чисел (скорость, положение, размер). Как бы ни менять эти 3 числа, через скелет (fk) они разворачиваются в человеческую фигуру.

Что мы узнали в этой части

Генерация — это выбор из распределения: модель учит не один правильный ответ, а форму множества правдоподобных ответов.
Половина дела — в том, что смешивать и из чего выбирать: в координатах всё ломается, в углах (ручках) — сохраняется.
Оценка идёт по трём направлениям: правдоподобие, разнообразие, новизна. Если смотреть только на одно, побеждает A (посредственность) или C (копирование).

Оставшиеся вопросы

Кто подскажет ручки: к реальным данным о движениях не прилагаются ручки вроде «скорость ×1.03, размер ×0.98». А движения слишком разнообразны, чтобы человек вручную построил угловую модель. Такие скрытые ручки называют латентными переменными.
Отсюда следующий вопрос: можно ли, глядя только на 1196 чисел данных, самостоятельно найти несколько ручек? Часть, которая сворачивает 1196 → несколько, — это кодировщик (энкодер), а часть, которая разворачивает несколько → 1196, — декодер.

Плёнки с человечками-палочками и волны чисел засасываются в огромную воронку и выпадают одной маленькой капсулой; Ассистент измеряет капсулу штангенциркулем, а Доктор поднимает большой палец — Анонс следующей миссии · Воронка, сворачивающая движения

ДокторКладём 1196 чисел в воронку и сворачиваем в капсулу из нескольких чисел. А потом из этой капсулы снова разворачиваем. Числа в капсуле и станут ручками!

АссистентЕсли после сворачивания и разворачивания получается исходное движение… значит, в капсуле есть всё движение?

Исследователь-дрозофилаЭто и есть 5-3, кодировщик и декодер. Заодно станет лучше и обнаружение выброса мусора из 5-1.

Код Colab — запустите эту страницу сами

Оба кода используют только библиотеки, установленные в Colab по умолчанию. Нажмите «Скачать ноутбук (.ipynb)» и откройте его в Colab через Файл → Загрузить блокнот или скопируйте код и вставьте в ячейку нового ноутбука.

Код 1 · Движение — это таблица; почему смешивание ломает егоСвязан с разделами 3·4 · numpy, matplotlib · CPU менее 1 секунды

К функции сцен из 5-1 добавлены проверка длины костей (bone_error) и смешивание (blend). Три пары смешиваются усреднением координат и усреднением углов, и сравниваются ошибки длины костей. Чтобы подставить свои данные, передайте в blend вместо двух сцен реальные координаты движений (то, что тогда доступно только усреднение координат, и есть проблема этой части).

Результат запуска (запуск 2026-10-05, numpy 2.4 · matplotlib 3.10 · CPU). Случайные числа не используются, поэтому результат всегда одинаков. Также выводятся три графика (таблица движения, среднее координат, среднее углов).

Код 2 · Четыре генератора движений и оценочный лист ЭкспертаСвязан с разделами 5·6 · numpy · CPU около 10 секунд

Из 100 бросков строятся генераторы A–D, каждый выдаёт по 20 движений, которые оцениваются. Оценочный лист под разделом 6 получен прямо из этого вывода. Чтобы испытать новый генератор, передайте в judge("имя", список результатов) список сцен формы (46, 13, 2).

Результат запуска (запуск 2026-10-05, numpy 2.4 · CPU). Сид зафиксирован, поэтому результат всегда одинаков.

Промпты для применения ИИ — этот код как отправная точка

Эти промпты нужно вставлять в ИИ-помощники вроде ChatGPT, Qwen или Claude. При нажатии «Копировать» после промпта добавляется выбранный код. Замените текст в 〔〕 на свою ситуацию.

Какой код приложить

Ответ ИИ — лишь отправная точка. Предложенные статьи, числа и библиотечные функции обязательно проверяйте по первоисточникам и официальной документации. Если используете данные о движениях реальных людей, сначала убедитесь в наличии согласия на съёмку и в условиях использования датасета (в том числе допустимо ли коммерческое использование).

Глоссарий

Это тот же словарь, что и у терминов с жёлтым пунктирным подчёркиванием в тексте. Нажмите на название раздела, чтобы перейти туда, где термин встретился впервые.

Сборник аналогий — и где аналогия не работает

Аналогия — первый шаг к пониманию, но и семя заблуждения. У аналогий с человеческим восприятием указана сила соответствия. Прямая — есть данные, что это действительно делает то же самое · Частичная — похожи лишь некоторые свойства · Нет — соответствие неизвестно

Понятие	Бытовая аналогия	Аналогия с восприятием человека	Где аналогия не работает
Дискриминация против генерации	Проверка экзамена (верен ли ответ) и составление экзамена (придумать правдоподобную новую задачу)	Частично У людей узнавать лица и рисовать их — разные способности	Составитель задач придумывает их с намерением, а генеративная модель лишь выбирает, следуя форме данных
Распределение	То, как сгруппированы значения роста учеников в классе	Нет	Рост — это одно число, а движение — форма, в которой 1196 чисел меняются вместе, и её невозможно нарисовать на глаз
Среднее координат	Наложить полупрозрачно фотографии двух людей	Нет	При наложении фотографий видны оба человека, а усреднение координат создаёт одного человека посередине — и у него сложена рука
Латентная переменная (ручка)	Несколько ручек громкости и тембра на аудиомикшере	Частично Запоминать движение несколькими словами вроде «быстро, широко»	У ручек микшера есть подписи, а у ручек, найденных обучением, названий нет и смыслы в них перемешаны (5-3)
Эксперт	Член жюри на прослушивании	Нет	У жюри есть вкус, а Эксперт в этой части смотрит только на пять заданных чисел. Неестественность, которой нет в числах, он пропускает

Об авторе и источники

E-1 Об авторе · E-2 Научные источники · E-3 Источники рисунков и чисел

E-1 Об авторе

Ан Сансон (генеральный директор M-Robo Co., Ltd.)

Работал в Корейской корпорации электробезопасности (KESCO) и газете Maeil Business Newspaper, затем основал внешнее венчурное предприятие Maeil Business — M-Robo Co., Ltd., которое возглавляет в настоящее время. M-Robo — медиавенчур, начинавшийся как внутренний стартап СМИ: компания предоставляла газете Kukmin Ilbo сервис робота-журналиста (StockBot) и выполнила ряд проектов для Корейского агентства интернета и безопасности (KISA), Корейского фонда прессы, Корейского агентства по радиосвязи и др. Сейчас компания развивает собственный ИИ-сервис новостей Money-Robo. Будучи генеральным директором, победил на Азиатском хакатоне открытых данных и дважды получил награду министра внутренних дел и безопасности за заслуги в области стартапов на основе данных; является изобретателем и правообладателем 5 патентов в области искусственного интеллекта и блокчейна. Автор книги «Преступления с ИИ и самозащита»; разрабатывал электронные учебные курсы по финтеху, статистике и искусственному интеллекту для Центра онлайн-образования Корейского технологического и образовательного университета (KOREATECH). Имеет степень доктора экономических наук (Университет Тонгук, микроэкономика и математическая экономика). Преподаёт дисциплины, связанные с данными и искусственным интеллектом, в ряде университетов, в том числе в Университете Кукмин и Университете Хосо. Подробный профиль

Лекции

Ан Сансон (2025). Конспект лекций «Наука о данных для бизнеса». Кафедра конвергенции ИИ, Корейский открытый киберуниверситет.
Ан Сансон (2025). [K-Digital] Обработка естественного языка с помощью ИИ. STEP (Smart Training Education Platform), Центр онлайн-образования Корейского технологического и образовательного университета.
Ан Сансон (2024). [K-Digital] Основы анализа данных в финтехе. STEP (Smart Training Education Platform), Центр онлайн-образования Корейского технологического и образовательного университета.

Курсы на STEP: link.step.or.kr/1qyVoJ · link.step.or.kr/M9na9N · link.step.or.kr/brqEyc
Если из-за обновления сайта ссылки не открываются, перейдите на www.step.or.kr.

Статьи и доклады

Ан Сансон (2025). Модель прогнозирования расходов домохозяйств на данных Корейского панельного исследования пенсионного обеспечения (KReIS): подход на основе моделей ИИ. «Будущее общество» (Future Society), 16(2). Полный текст
Ан Сансон (2025). Модель прогнозирования расходов домохозяйств на данных Корейского панельного исследования пенсионного обеспечения: подход на основе ИИ. Доклад на научной конференции по панельному исследованию пенсионного обеспечения (13.05.2025), Исследовательский институт Национальной пенсионной службы Кореи. Материалы доклада
Ан Сансон (2025). Алгоритм обнаружения подозрительных сделок с наркотиками по текстам соцсетей: анализ паттернов и контекста. «Будущее общество» (Future Society), 16(1). Полный текст
Ан Сансон (2024). Статистические методы противодействия состязательным данным для защиты моделей обнаружения аномалий в финансовой сфере: эмпирический анализ и результаты моделирования. «Будущее общество» (Future Society), 15(3). Полный текст
Ан Сансон (2024). Решение на основе ИИ для обнаружения публикаций в соцсетях по признакам виртуальных персонажей. Стендовый доклад на 2024 Summer Newmedia Party (19.06.2024), Сеульский университет медиа (аспирантура).
Ан Сансон (2024). Модели машинного обучения на панельных данных о производственном травматизме. Стендовый доклад на 10-й научной конференции по панельному исследованию страхования от производственных травм (17.05.2024), Исследовательский институт социального обеспечения трудящихся, Корейская служба социального обеспечения трудящихся (COMWEL).
Ан Сансон (2024). Анализ и прогнозирование временных рядов виртуальных активов: сравнение моделей временных рядов и моделей ИИ, предложения по улучшению. «Будущее общество» (Future Society), 15(1). Полный текст

E-2 Научные источники

[R1] Ng, A. Y., & Jordan, M. I. (2002). On discriminative vs. generative classifiers: A comparison of logistic regression and naive Bayes. Advances in Neural Information Processing Systems 14. — раздел 2
[R2] Goodfellow, I., Pouget-Abadie, J., Mirza, M., Xu, B., Warde-Farley, D., Ozair, S., Courville, A., & Bengio, Y. (2014). Generative adversarial nets. Advances in Neural Information Processing Systems 27. arXiv:1406.2661 — разделы 2·6
[R3] Kingma, D. P., & Welling, M. (2014). Auto-encoding variational Bayes. ICLR 2014. arXiv:1312.6114 — разделы 2·6, следующая часть 5-3
[R4] Holden, D., Saito, J., & Komura, T. (2016). A deep learning framework for character motion synthesis and editing. ACM Transactions on Graphics, 35(4), Article 138. doi:10.1145/2897824.2925975 — раздел 7 (обучение представлений, сворачивающих движения)
[R5] Ho, J., Jain, A., & Abbeel, P. (2020). Denoising diffusion probabilistic models. Advances in Neural Information Processing Systems 33. arXiv:2006.11239 — раздел 2

E-3 Источники рисунков и чисел

Иллюстрации сцен (склад данных о движениях, генеративное обучение, Эксперт, воронка кодирования) — пиксель-арт, созданный автором
Все сцены движений — те же синтетические данные, что и в 5-1. Числа под разделом 4 и оценочный лист под разделом 6 — результаты реального запуска Кодов 1 и 2
Экраны в разделах 5·6 заново генерируются в браузере тем же способом, но со случайными числами, отличными от Кода 2, поэтому числа немного отличаются

E-4 Примечания

[прим.] Ручка (латентная переменная) — так в этой серии упрощённо, через аналогию, называется латентная переменная (latent variable): небольшое число параметров, при повороте которых меняются сразу все данные. В англоязычных пояснениях каждое измерение латентного пространства тоже образно называют «knob (ручка)», «dial (регулятор)», «slider (ползунок)». Строгий термин в статьях — латентная переменная, а каждая ручка, которую данные находят в 5-3, — это главная компонента (principal component). В отличие от настоящей ручки, в одной могут смешиваться несколько смыслов.

Советы преподавателям

Методическая памятка для преподавателей, наставников по обучению на рабочем месте (OJT) и тьюторов. Время указано ориентировочно — подстройте его под своё занятие.

Для кого	Студенты и работающие специалисты, прошедшие 5-1. Менеджеры и практики, которые хотят понять, «чему учится» генеративный ИИ
Что нужно знать заранее	13 точек человечка-палочки и шесть сцен из 5-1, среднее и стандартное отклонение
Цели обучения	① Объяснить разницу между дискриминативной и генеративной моделями через направление стрелки и «число ответов» ② Привести пример того, почему усреднение координат нарушает длину костей ③ Оценить результат генерации по трём направлениям: правдоподобие, разнообразие, новизна
Ориентировочное время	Чтение 30–40 мин · демонстрация анимаций 20 мин · практикум в Colab 25 мин (Код 1 — 10 мин, Код 2 — 15 мин)

Три сценария занятия

Лекция, 50 мин

Упор на понятия

Введение 5 мин (разделы 1·2, переворот) → раздел 3, таблица движения 8 мин → раздел 4, эксперимент со смешиванием 12 мин → раздел 5, облако данных 7 мин → раздел 6, четыре генератора 13 мин → проверочные вопросы 5 мин.

Обучение на рабочем месте (OJT), 90 мин

С упором на критерии оценки

Раздел 2 — 15 мин → применить оценочный лист раздела 6 к результатам генерации в своей работе (документы, изображения, движения) и составить критерии «правдоподобие · разнообразие · новизна» — 30 мин → обсуждение «выбора представления» по разделу 4 — 15 мин → запуск Кода 2 и добавление новых критериев — 30 мин.

Индивидуальные занятия 1:1

Темп по уровню

Начинающим — только разделы 2·4·6. Продолжающим — предложить самим написать в Коде 2 генератор E (смешивание двух обучающих сцен усреднением углов) и добавить его в оценочный лист.

Ключевые моменты по разделам

Раздел	Вопрос, на котором стоит остановиться	Совет по управлению
2 Переворот	«Сколько правильных ответов у создания?»	Переключайте распознавание → создание
3 Движение — таблица	«Какие договорённости между клетками этой таблицы нельзя нарушать произвольно?»	В броске наведите курсор на столбцы 0.8–1.2 с
4 Смешивание	«Смешали пополам — почему исчезла рука?»	Бросок + махание рукой, среднее координат: найдите кадр, где красная полоска становится длинной
5 Данные	«Какой бросок получится, если выбрать новую точку из этого облака?»	Понажимайте рядом с границей между красными и зелёными точками
6 Генераторы	«По какому критерию проваливаются A, B и C?»	Для каждого генератора нажмите «Создать заново» два-три раза

Топ-5 частых заблуждений

Заблуждение	Правильное объяснение	Что показать
Генеративная модель создаёт один правильный ответ	Она выбирает один ответ из распределения правдоподобных ответов. Нормально, что каждый раз он разный	Раздел 2, раздел 6 «Создать заново»
Среднее — самая безопасная генерация	У среднего разнообразие 0, а усреднение движений с разным таймингом отнимает силу (скорость запястья 2.55 → 1.36)	Раздел 6, генератор A
Чем больше чисел, тем лучше представление	1196 чисел связаны между собой. Для генерации лучше небольшое число параметров, сохраняющих эти связи (углы, ручки)	Раздел 4, среднее углов; раздел 6, генератор D
Точная копия обучающих данных — лучшая генерация	У копирования новизна равна 0. К тому же есть риск выдать как есть данные конкретного человека из датасета	Раздел 6, генератор C
Выглядит как настоящее — значит, оценка закончена	Смотреть нужно сразу на правдоподобие, разнообразие и новизну. Если смотреть только на одно, побеждает A или C	Оценочный лист под разделом 6

Проверочные вопросы (нажмите, чтобы раскрыть разбор)

Q1. Сколько чисел нужно, чтобы описать сцену длиной 3 секунды (15 fps) с помощью 13 суставов? А если увеличить до 5 секунд?

3 секунды — это 46 кадров (включая 0 с) × 26 = 1196 чисел. 5 секунд — 76 кадров × 26 = 1976 чисел.

Q2. Рука длиной 0.33, прикреплённая к плечу в точке (0, 1), в одной сцене направлена горизонтально влево (−0.33, 1), а в другой — горизонтально вправо (0.33, 1). Какой будет длина руки, если усреднить координаты кисти?

Кисть = (0, 1), то есть совпадает с плечом. Длина руки 0, ошибка длины костей 100%. «Худшие 99.9%» из раздела 4 — именно такой момент. Если же усреднить углы (среднее −90° и +90° равно 0°), получится рука длиной 0.33, опущенная вниз.

Q3. Генератор C (выбрать одну и скопировать) проходит и правдоподобие, и разнообразие. Почему он не является хорошим генератором?

Его новизна равна 0. Он лишь выдаёт заученные обучающие данные и не создаёт новых движений. Если в данных есть движения или лица реальных людей, возникает ещё и проблема утечки персональных данных.

Q4. Почему максимальная скорость запястья у генератора A (1.36) ниже, чем в обучающих данных (2.55)?

Момент броска (тайминг) в каждой сцене разный, поэтому при усреднении координат быстрый замах тонким слоем размазывается по нескольким кадрам. Пик сглаживается, и бросок получается вялым.

Q5. Генератор D прошёл все пять критериев. Почему же о нём сказано, что «на практике его трудно использовать»?

D заранее знал ручки (скорость, положение, размер), по которым были созданы сцены. К реальным данным о движениях такие ручки не прилагаются. Найти ручки, глядя только на данные, — задача кодировщика и декодера из 5-3.

Задания в Colab

Базовое

В Коде 1 меняйте долю смешивания: 0, 0.25, 0.5, 0.75, 1 — и составьте таблицу ошибки длины костей при усреднении координат для пары «бросок + махание рукой». Двумя предложениями напишите, при какой доле ошибка наибольшая и почему.

Повышенной сложности

Добавьте в Код 2 генератор E «выбрать две обучающие сцены и усреднить координаты» и генератор F «выбрать 3 ручки за пределами обучающего диапазона (размер ×1.6)» и оцените их. Опишите, какая проблема есть у F, даже если он проходит проверку на правдоподобие (куда летит банка?).

Регулировка сложности и что изучить дальше

Новичкам	Если как следует разобраться только с «средним координат против среднего углов» из раздела 4, половина этой части уже усвоена
Углублённо	Предложите исследовать и представить, как GAN и VAE встраивают «Эксперта» в обучение. Статьи проверять по первоисточникам
Следующая часть	5-3 Кодировщик и декодер — самостоятельно находим ручки (латентные переменные), глядя только на данные