مقالات

58.2: الأساسيات


58.2: الأساسيات

مدراء الطوارئ

وكالة إدارة الطوارئ في المقاطعة هي خط الدفاع الأول في الاستجابة لحالات الطوارئ في ولايتها القضائية.

يتطلب قانون الولاية (TCA 58-2-110) من المقاطعات تطوير خطة إدارة طوارئ المقاطعة بما يتوافق مع خطة إدارة الطوارئ في ولاية تينيسي (TEMP) وبرنامج إدارة الطوارئ لضمان الاستجابة الفعالة والتعافي. يجب مراجعة هذه الخطة ، التي تسمى خطة عمليات الطوارئ الأساسية (BEOP) ، بشكل دوري بواسطة TEMA.

من الناحية المفاهيمية ، يتعامل مديرو الطوارئ المحليون مع حالات الطوارئ في ولاياتهم القضائية بأصولهم الخاصة ومع الكثير من الدعم الإضافي الذي قد يتم تقديمه بموجب المساعدة أو المساعدة المتبادلة بين الدول (TCA 58-8-101).

عندما تتجاوز حالة الطوارئ قدرة الولاية القضائية المحلية ، قد تطلب المقاطعة مساعدة إضافية من مستويات أعلى من الحكومة. قد يطلب العمدة أو الممثل المفوض له (عادةً مدير إدارة الطوارئ) مساعدة رسمية من ولايات قضائية أخرى ، بما في ذلك المساعدة الحكومية والفيدرالية


رياضيات البناء: إنها موجودة في كل مكان!

قد تدرك أو لا تدرك أنك تبدأ في استخدام الرياضيات في اللحظة التي تستيقظ فيها في الصباح.

أنت تتدحرج وتنظر إلى المنبه. هل أنت متأخر؟ يعد تحديد ما إذا كنت متأخرًا عن العمل عملية حسابية - يعتمد الوقت على الرياضيات.

أنت تتدحرج من السرير وتسابق في ارتداء ملابسك - لكنك تريد صنع قهوتك قبل المغادرة. كم عدد أوقية القهوة التي تحتاجها لطحن قهوتك؟ مرة أخرى ، عملية حسابية في الرياضيات.

تعتمد الحياة على الرياضيات. لا يمكنك تجنبها - لذلك يمكنك أيضًا أن تتعلمها وتتعلم بعض مفاهيم الرياضيات الأساسية لمساعدتك في بناء حياتك المهنية في مجال البناء.

عند وصولك إلى موقع البناء الخاص بك ، تقوم بتسجيل الدخول. وهذا يبدأ تشغيل العداد ليومك - ويتم استخدام الرياضيات لتحديد مقدار الوقت الذي قضيته في العمل. راتبك على أساس الرياضيات.

أنت تنظر إلى أسفل في حزام الأدوات الخاص بك.

قياس الشريط - تحقق وانتظر دقيقة - القياسات جزء كبير من رياضيات البناء! أنت تحمل أداة حسابية في حزام الأدوات الخاص بك!

الوقت والقياس جزء كبير من موقع البناء!


المستوى الثاني لمحو الأمية الحاسوبية - أساسيات الإنترنت

الإنترنت عبارة عن شبكة عالمية تضم الآلاف من الخوادم وأجهزة التوجيه والأجهزة الأخرى المترابطة فيما بينها للحفاظ على عملها. من الصعب تخيل الحياة بدون الإنترنت في السنوات الأخيرة ، وهي تنمو بشكل أكبر مع مرور كل يوم. بدون الإنترنت ، لن نتمكن من الوصول السريع إلى المعلومات والخدمات التي نحتاجها للحياة اليومية. دورة أساسيات الإنترنت هذه مخصصة للأشخاص الجدد على شبكة الويب العالمية وكل ما تقدمه.

قبل استخدام الإنترنت ، تحتاج إلى معرفة كيفية الاتصال والأجهزة والبرامج اللازمة للاتصال. تغطي الدروس القليلة الأولى طريقة اتصالك بالإنترنت وتساعدك على البدء باستخدام أجهزة التوجيه وأنظمة التشغيل وأجهزة الكمبيوتر. نقوم أيضًا بتضمين كتاب تمهيدي عن متصفحات الويب الأكثر شيوعًا المستخدمة للعثور على المعلومات بدون متصفح الويب ، لا يمكنك تصفح مواقع الويب.

نوضح لك بعد ذلك أهمية محركات البحث وكيف يمكنك استخدامها للعثور على المعلومات التي تريد معرفتها. من خلال معرفة محرك البحث ، يمكنك العثور على معلومات عن أي خدمة أو منتج.

تركز الدروس الأخيرة على الأمان والجدران النارية وعمليات الاحتيال الشائعة. على الرغم من أن الإنترنت مكان رائع للعثور على المعلومات ، إلا أنه يمكن أن يكون أيضًا مكانًا للبرامج الضارة والأشخاص الذين قد يسرقون بياناتك.

يركز الدرس الأخير على استكشاف المشكلات الشائعة وإصلاحها. لدينا أيضًا فصل حول إنشاء موقع الويب الخاص بك. إجمالاً ، تمنحك هذه الدورة المعرفة الأساسية للتنقل عبر شبكة الويب العالمية وتمنحك الأدوات اللازمة لحماية هويتك وبياناتك.

  • تماما على الإنترنت
  • الذاتي
  • دروس قابلة للطباعة
  • فيديو عالي الدقة بالكامل
  • 6 أشهر للإكمال
  • توافر 24/7
  • ابدأ في أي وقت
  • متوافق مع أجهزة الكمبيوتر الشخصية وأجهزة Mac
  • متوافق مع Android و iOS
  • CEUs المعتمدة

محتويات

تتعلم الشبكات العصبية (أو يتم تدريبها) من خلال معالجة الأمثلة ، كل منها يحتوي على "مدخلات" و "نتيجة" معروفة ، مما يشكل ارتباطات مرجحة بين الاثنين ، والتي يتم تخزينها داخل بنية بيانات الشبكة نفسها. عادةً ما يتم إجراء تدريب الشبكة العصبية من مثال معين عن طريق تحديد الفرق بين الإخراج المعالج للشبكة (غالبًا ما يكون تنبؤًا) والمخرج المستهدف. هذا الاختلاف هو الخطأ. تقوم الشبكة بعد ذلك بضبط ارتباطاتها الموزونة وفقًا لقاعدة التعلم وباستخدام قيمة الخطأ هذه. ستؤدي التعديلات المتتالية إلى إنتاج الشبكة العصبية لمخرجات تشبه بشكل متزايد المخرجات المستهدفة. بعد عدد كافٍ من هذه التعديلات ، يمكن إنهاء التدريب بناءً على معايير معينة. هذا هو المعروف باسم التعلم تحت الإشراف.

مثل هذه الأنظمة "تتعلم" أداء المهام من خلال النظر في الأمثلة ، بشكل عام دون أن تتم برمجتها بقواعد خاصة بالمهمة. على سبيل المثال ، في التعرف على الصور ، قد يتعلمون التعرف على الصور التي تحتوي على قطط من خلال تحليل أمثلة للصور التي تم تصنيفها يدويًا على أنها "قطة" أو "بلا قطة" واستخدام النتائج لتحديد القطط في الصور الأخرى. يفعلون ذلك دون أي معرفة مسبقة بالقطط ، على سبيل المثال ، لديهم الفراء ، وذيول ، وشعيرات ، ووجوه تشبه القطط. بدلاً من ذلك ، يقومون تلقائيًا بإنشاء خصائص تعريف من الأمثلة التي يقومون بمعالجتها.

افتتح وارن مكولوتش ووالتر بيتس [1] (1943) الموضوع من خلال إنشاء نموذج حسابي للشبكات العصبية. [2] في أواخر الأربعينيات من القرن الماضي ، ابتكر د. أو. هب [3] فرضية تعلم تعتمد على آلية اللدونة العصبية التي أصبحت تعرف باسم التعلم الهبي. استخدم Farley and Wesley A. Clark [4] (1954) لأول مرة الآلات الحسابية ، ثم أطلق عليها "الآلات الحاسبة" لمحاكاة شبكة Hebbian. أنشأ روزنبلات [5] (1958) المستشعر. [6] تم نشر أولى الشبكات الوظيفية ذات الطبقات المتعددة بواسطة Ivakhnenko و Lapa في عام 1965 ، باعتبارها طريقة المجموعة لمعالجة البيانات. [7] [8] [9] تم اشتقاق أساسيات الانتشار العكسي المستمر [7] [10] [11] [12] في سياق نظرية التحكم بواسطة كيلي [13] في عام 1960 وبرايسون في عام 1961 ، [14] باستخدام مبادئ البرمجة الديناميكية. بعد ذلك ، ركود البحث بعد مينسكي وبابيرت (1969) ، [15] اللذين اكتشفوا أن الإدراك الأساسي غير قادر على معالجة الدائرة الحصرية أو الدائرة وأن أجهزة الكمبيوتر تفتقر إلى القوة الكافية لمعالجة الشبكات العصبية المفيدة.

في عام 1970 ، نشر Seppo Linnainmaa الطريقة العامة للتمايز التلقائي (AD) للشبكات المتصلة المنفصلة للوظائف المتداخلة القابلة للتفاضل. [16] [17] في عام 1973 ، استخدم دريفوس backpropagation لتكييف معلمات وحدات التحكم بما يتناسب مع تدرجات الخطأ. [18] مكنت خوارزمية Werbos (1975) من الانتشار العكسي التدريب العملي للشبكات متعددة الطبقات. في عام 1982 ، طبق طريقة Linnainmaa AD على الشبكات العصبية بالطريقة التي أصبحت مستخدمة على نطاق واسع. [10] [19]

مكّن تطوير التكامل واسع النطاق جدًا (VLSI) من أكسيد المعادن وأشباه الموصلات (VLSI) ، في شكل تقنية MOS (CMOS) التكميلية ، من زيادة عدد ترانزستور MOS في الإلكترونيات الرقمية. قدم هذا مزيدًا من قوة المعالجة لتطوير الشبكات العصبية الاصطناعية العملية في الثمانينيات. [20]

في عام 1986 ، أظهر Rumelhart و Hinton و Williams أن backpropagation قد تعلم تمثيلات داخلية مثيرة للاهتمام للكلمات كمتجهات خاصية عندما تدرب على التنبؤ بالكلمة التالية في تسلسل. [21]

في عام 1992 ، تم تقديم max-pooling للمساعدة في الثبات الأقل تحولًا والتسامح مع التشوه للمساعدة في التعرف على الكائنات ثلاثية الأبعاد. [22] [23] [24] تبنى شميدهوبر تسلسلاً هرميًا متعدد المستويات للشبكات (1992) تم تدريبه مسبقًا على مستوى واحد في كل مرة عن طريق التعلم غير الخاضع للإشراف والضبط الدقيق عن طريق الانتشار العكسي. [25]

جيفري هينتون وآخرون. اقترح (2006) تعلم تمثيل عالي المستوى باستخدام طبقات متتالية من المتغيرات الثنائية أو المتغيرات الكامنة ذات القيمة الحقيقية باستخدام آلة Boltzmann المقيدة [26] لنمذجة كل طبقة. في عام 2012 ، أنشأ Ng و Dean شبكة تعلمت التعرف على مفاهيم المستوى الأعلى ، مثل القطط ، فقط من خلال مشاهدة الصور غير المسماة. [27] يسمح التدريب المسبق غير الخاضع للإشراف وزيادة قوة الحوسبة من وحدات معالجة الرسومات والحوسبة الموزعة باستخدام شبكات أكبر ، خاصة في مشاكل التعرف على الصور والمرئيات ، والتي أصبحت تُعرف باسم "التعلم العميق". [28]

أظهر Ciresan وزملاؤه (2010) [29] أنه على الرغم من مشكلة التدرج المتلاشي ، فإن وحدات معالجة الرسومات تجعل الانتشار العكسي ممكنًا للشبكات العصبية متعددة الطبقات. [30] بين عامي 2009 و 2012 ، بدأت ANNs في الفوز بجوائز في مسابقات ANN ، حيث اقتربت من أداء المستوى البشري في مهام مختلفة ، بدايةً في التعرف على الأنماط والتعلم الآلي. [31] [32] على سبيل المثال ، الذاكرة طويلة المدى ثنائية الاتجاه ومتعددة الأبعاد (LSTM) [33] [34] [35] [36] من Graves et al. فاز بثلاث مسابقات في التعرف على خط اليد المتصل في عام 2009 دون أي معرفة مسبقة باللغات الثلاث التي سيتم تعلمها. [35] [34]

قام Ciresan وزملاؤه ببناء أول أدوات التعرف على الأنماط لتحقيق أداء تنافسي بشري / فوق طاقة البشر [37] على معايير مثل التعرف على إشارات المرور (IJCNN 2012).

بدأت الشبكات العصبية الاصطناعية كمحاولة لاستغلال بنية الدماغ البشري لأداء المهام التي لم تنجح الخوارزميات التقليدية فيها. وسرعان ما أعادوا توجيههم نحو تحسين النتائج التجريبية ، وتخلوا في الغالب عن محاولات البقاء وفية لسلائفهم البيولوجية. ترتبط الخلايا العصبية ببعضها البعض في أنماط مختلفة ، للسماح لمخرجات بعض الخلايا العصبية بأن تصبح مدخلات للآخرين. تشكل الشبكة رسمًا بيانيًا موجهًا ومرجحًا. [38]

تتكون الشبكة العصبية الاصطناعية من مجموعة من الخلايا العصبية المحاكاة. كل خلية عصبية هي عقدة متصلة بالعقد الأخرى عبر روابط تتوافق مع اتصالات المحاور العصبية الحيوية والتغصنات. كل رابط له وزن يحدد قوة تأثير عقدة على أخرى. [39]

مكونات تحرير الشبكات العصبية الاصطناعية

تحرير الخلايا العصبية

تتكون الشبكات العصبية الاصطناعية من خلايا عصبية اصطناعية مشتقة من الناحية المفاهيمية من الخلايا العصبية البيولوجية. كل خلية عصبية اصطناعية لها مدخلات وتنتج مخرجات فردية يمكن إرسالها إلى عدة خلايا عصبية أخرى. يمكن أن تكون المدخلات هي القيم المميزة لعينة من البيانات الخارجية ، مثل الصور أو المستندات ، أو يمكن أن تكون مخرجات خلايا عصبية أخرى. مخرجات النهائي الخلايا العصبية الناتجة من الشبكة العصبية لإنجاز المهمة ، مثل التعرف على كائن في صورة ما.

للعثور على ناتج الخلية العصبية ، نأخذ أولاً المجموع المرجح لجميع المدخلات ، مرجحًا بـ الأوزان التابع روابط من المدخلات إلى الخلايا العصبية. نضيف أ تحيز مصطلح لهذا المبلغ. يسمى هذا المبلغ المرجح أحيانًا التنشيط. ثم يتم تمرير هذا المبلغ المرجح من خلال وظيفة تنشيط (عادة غير خطية) لإنتاج الناتج. المدخلات الأولية هي بيانات خارجية ، مثل الصور والمستندات. تُنجز المخرجات النهائية المهمة ، مثل التعرف على كائن في صورة ما. [40]

الوصلات والأوزان تحرير

تتكون الشبكة من اتصالات ، يوفر كل اتصال إخراج خلية عصبية واحدة كمدخل إلى خلية عصبية أخرى. يتم تعيين وزن لكل اتصال يمثل أهميته النسبية. [38] يمكن أن تحتوي أي خلية عصبية معينة على وصلات مدخلات ومخرجات متعددة. [41]

تحرير وظيفة الانتشار

ال دالة التكاثر يحسب المدخلات إلى الخلايا العصبية من مخرجات الخلايا العصبية السابقة ووصلاتها كمجموع مرجح. [38] أ تحيز يمكن إضافة المصطلح إلى نتيجة الانتشار. [42]

تحرير المنظمة

عادة ما يتم تنظيم الخلايا العصبية في طبقات متعددة ، خاصة في التعلم العميق. تتصل الخلايا العصبية من طبقة واحدة فقط بالخلايا العصبية للطبقات السابقة والتالية مباشرة. الطبقة التي تتلقى البيانات الخارجية هي طبقة الإدخال. الطبقة التي تنتج النتيجة النهائية هي طبقة الإخراج. بينهما صفر أو أكثر طبقات مخفية. تُستخدم أيضًا الشبكات أحادية الطبقة وغير ذات الطبقات. بين طبقتين ، هناك أنماط اتصال متعددة ممكنة. يستطيعون متصل بشكل كامل، مع كل خلية عصبية في طبقة واحدة تتصل بكل خلية عصبية في الطبقة التالية. يستطيعون تجمع، حيث تتصل مجموعة من الخلايا العصبية في طبقة واحدة بخلايا عصبية واحدة في الطبقة التالية ، مما يقلل من عدد الخلايا العصبية في تلك الطبقة. [43] الخلايا العصبية مع مثل هذه الوصلات فقط تشكل رسمًا بيانيًا لا دوريًا موجهًا وتُعرف باسم شبكات feedforward. [44] بدلاً من ذلك ، تُعرف الشبكات التي تسمح بالاتصالات بين الخلايا العصبية في نفس الطبقات أو الطبقات السابقة الشبكات المتكررة. [45]

تحرير Hyperparameter

المعلمة الفائقة هي معلمة ثابتة يتم تعيين قيمتها قبل بدء عملية التعلم. يتم اشتقاق قيم المعلمات عن طريق التعلم. تتضمن أمثلة المعلمات الفائقة معدل التعلم وعدد الطبقات المخفية وحجم الدُفعة. [46] يمكن أن تعتمد قيم بعض المعلمات الفائقة على قيم المعلمات الفوقية الأخرى. على سبيل المثال ، يمكن أن يعتمد حجم بعض الطبقات على العدد الإجمالي للطبقات.

تعلم التحرير

التعلم هو تكييف الشبكة للتعامل بشكل أفضل مع مهمة من خلال النظر في الملاحظات النموذجية. يتضمن التعلم تعديل الأوزان (والعتبات الاختيارية) للشبكة لتحسين دقة النتيجة. يتم ذلك عن طريق تقليل الأخطاء الملحوظة. يكتمل التعلم عندما لا يؤدي فحص الملاحظات الإضافية إلى تقليل معدل الخطأ بشكل مفيد. حتى بعد التعلم ، لا يصل معدل الخطأ عادةً إلى 0. إذا كان معدل الخطأ مرتفعًا جدًا بعد التعلم ، فيجب عادةً إعادة تصميم الشبكة. يتم ذلك عمليًا عن طريق تحديد دالة التكلفة التي يتم تقييمها بشكل دوري أثناء التعلم. طالما استمر إنتاجها في الانخفاض ، يستمر التعلم. يتم تعريف التكلفة بشكل متكرر على أنها إحصائية لا يمكن تقريب قيمتها إلا. المخرجات عبارة عن أرقام في الواقع ، لذلك عندما يكون الخطأ منخفضًا ، يكون الفرق بين الناتج (بالتأكيد قطة) والإجابة الصحيحة (قطة) صغيرًا. يحاول التعلم تقليل إجمالي الاختلافات عبر الملاحظات. [38] يمكن النظر إلى معظم نماذج التعلم على أنها تطبيق مباشر لنظرية التحسين والتقدير الإحصائي.

تعديل معدل التعلم

يحدد معدل التعلم حجم الخطوات التصحيحية التي يتخذها النموذج لضبط الأخطاء في كل ملاحظة. يؤدي معدل التعلم المرتفع إلى تقصير وقت التدريب ، ولكن بدقة نهائية أقل ، بينما يستغرق معدل التعلم المنخفض وقتًا أطول ، ولكن مع إمكانية زيادة الدقة. تهدف التحسينات مثل Quickprop بشكل أساسي إلى تسريع تقليل الأخطاء ، بينما تحاول التحسينات الأخرى بشكل أساسي زيادة الموثوقية. من أجل تجنب التذبذب داخل الشبكة مثل أوزان الاتصال المتناوبة ، ولتحسين معدل التقارب ، تستخدم التحسينات معدل التعلم التكيفي الذي يزيد أو ينقص حسب الاقتضاء. [47] يسمح مفهوم الزخم بالتوازن بين التدرج والتغيير السابق ليتم ترجيحه بحيث يعتمد تعديل الوزن إلى حد ما على التغيير السابق. يؤكد الزخم القريب من 0 على التدرج ، بينما تؤكد القيمة القريبة من 1 على التغيير الأخير.

تحرير دالة التكلفة

في حين أنه من الممكن تحديد دالة تكلفة مخصصة ، يتم تحديد الاختيار في كثير من الأحيان من خلال الخصائص المرغوبة للوظيفة (مثل التحدب) أو لأنها تنشأ من النموذج (على سبيل المثال ، في نموذج احتمالي ، يمكن استخدام الاحتمال الخلفي للنموذج كعكس كلفة).

Backpropagation تحرير

Backpropagation هي طريقة تستخدم لضبط أوزان الاتصال لتعويض كل خطأ يتم العثور عليه أثناء التعلم. يتم تقسيم مقدار الخطأ بشكل فعال بين الاتصالات. من الناحية الفنية ، يحسب backprop التدرج اللوني (المشتق) لدالة التكلفة المرتبطة بحالة معينة فيما يتعلق بالأوزان. يمكن إجراء تحديثات الوزن عن طريق النسب المتدرج العشوائي أو طرق أخرى ، مثل Extreme Learning Machines ، [48] شبكات "No-prop" ، [49] تدريب بدون تتبع ، [50] شبكات "عديمة الوزن" ، [51] [52] ] والشبكات العصبية غير المتصلة.

نماذج التعلم تحرير

نماذج التعلم الرئيسية الثلاثة هي التعلم تحت الإشراف والتعلم غير الخاضع للإشراف والتعلم المعزز. كل منهم يتوافق مع مهمة تعليمية معينة

تحرير التعلم تحت الإشراف

يستخدم التعلم الخاضع للإشراف مجموعة من المدخلات المزدوجة والمخرجات المرغوبة. مهمة التعلم هي إنتاج المخرجات المرغوبة لكل مدخل. في هذه الحالة ، ترتبط وظيفة التكلفة بإلغاء الخصومات غير الصحيحة. [53] التكلفة شائعة الاستخدام هي متوسط ​​مربع الخطأ ، والذي يحاول تقليل متوسط ​​الخطأ التربيعي بين ناتج الشبكة والمخرجات المرغوبة. المهام المناسبة للتعلم الخاضع للإشراف هي التعرف على الأنماط (المعروف أيضًا باسم التصنيف) والانحدار (المعروف أيضًا باسم تقريب الوظيفة). ينطبق التعلم الخاضع للإشراف أيضًا على البيانات المتسلسلة (على سبيل المثال ، للكتابة اليدوية والتعرف على الكلام والإيماءات). يمكن اعتبار هذا التعلم مع "المعلم" ، في شكل وظيفة توفر تغذية راجعة مستمرة حول جودة الحلول التي تم الحصول عليها حتى الآن.

تحرير التعلم غير الخاضع للإشراف

تعزيز التعلم تحرير

في تطبيقات مثل ممارسة ألعاب الفيديو ، يتخذ الممثل سلسلة من الإجراءات ، ويتلقى استجابة غير متوقعة بشكل عام من البيئة بعد كل واحد. الهدف هو الفوز باللعبة ، أي إنشاء ردود أكثر إيجابية (أقل تكلفة). في التعلم المعزز ، الهدف هو وزن الشبكة (وضع سياسة) لأداء الإجراءات التي تقلل التكلفة طويلة الأجل (التراكمية المتوقعة). في كل نقطة زمنية ، يقوم الوكيل بإجراء ما وتولد البيئة ملاحظة وتكلفة فورية ، وفقًا لبعض القواعد (غير المعروفة عادةً). عادة ما يمكن تقدير القواعد والتكلفة طويلة الأجل فقط. في أي منعطف ، يقرر الوكيل ما إذا كان سيستكشف إجراءات جديدة للكشف عن تكاليفها أو استغلال التعلم المسبق للمضي قدمًا بشكل أسرع.

تعمل الشبكات العصبية الاصطناعية كمكون تعليمي في مثل هذه التطبيقات. [54] [55] تم تطبيق البرمجة الديناميكية المقترنة بـ ANNs (إعطاء البرمجة الديناميكية العصبية) [56] على مشاكل مثل تلك المتضمنة في توجيه المركبات ، [57] ألعاب الفيديو ، إدارة الموارد الطبيعية [58] [59] والطب [ 60] بسبب قدرة الشبكات العصبية الاصطناعية على التخفيف من فقدان الدقة حتى عند تقليل كثافة الشبكة التقديرية لتقريب حل مشاكل التحكم عدديًا. المهام التي تقع ضمن نموذج التعلم المعزز هي مشاكل التحكم والألعاب وغيرها من مهام صنع القرار المتسلسلة.

تحرير التعلم الذاتي

تم تقديم التعلم الذاتي في الشبكات العصبية في عام 1982 جنبًا إلى جنب مع شبكة عصبية قادرة على التعلم الذاتي تسمى Crossbar Adaptive Array (CAA). [61] إنه نظام به مدخل واحد ، أو مواقف ، ومخرج واحد فقط ، أو فعل (أو سلوك) أ. ليس لديها مدخلات مشورة خارجية ولا مدخلات تقوية خارجية من البيئة. يحسب CAA ، بطريقة العارضة ، كلاً من القرارات المتعلقة بالأفعال والعواطف (المشاعر) حول المواقف التي تمت مواجهتها. النظام مدفوع بالتفاعل بين الإدراك والعاطفة. [62] بالنظر إلى مصفوفة الذاكرة W = || w (a، s) || ، تقوم خوارزمية التعلم الذاتي للقضيب العرضي في كل تكرار بالحساب التالي:

القيمة backpropagated (التعزيز الثانوي) هي العاطفة تجاه حالة العواقب. يوجد CAA في بيئتين ، إحداهما هي البيئة السلوكية حيث تتصرف ، والأخرى هي البيئة الجينية ، حيث تستقبل منها في البداية ومرة ​​واحدة فقط المشاعر الأولية على وشك مواجهة المواقف في البيئة السلوكية. بعد تلقي ناقل الجينوم (ناقلات الأنواع) من البيئة الجينية ، ستتعلم هيئة الطيران المدني سلوكًا يسعى إلى تحقيق الهدف ، في البيئة السلوكية التي تحتوي على مواقف مرغوبة وغير مرغوب فيها. [63]

تحرير آخر

في إطار عمل بايزي ، يتم اختيار التوزيع على مجموعة النماذج المسموح بها لتقليل التكلفة. تعتبر الطرق التطورية ، [64] برمجة التعبير الجيني ، [65] التلدين المحاكي ، [66] تعظيم التوقعات ، والطرق غير المعلمية وتحسين سرب الجسيمات [67] خوارزميات تعليمية أخرى. العودية المتقاربة هي خوارزمية تعلم للشبكات العصبية لوحدة التحكم في المفصل لنموذج المخيخ (CMAC). [68] [69]

وسائط تحرير

يتوفر طريقتان للتعلم: العشوائية والدُفعات. في التعلم العشوائي ، يؤدي كل إدخال إلى تعديل الوزن. يتم تعديل أوزان تعلم الدُفعة بناءً على مجموعة من المدخلات ، مما يؤدي إلى تراكم الأخطاء على الدُفعة. يقدم التعلم العشوائي "ضوضاء" في العملية ، باستخدام التدرج المحلي المحسوب من نقطة بيانات واحدة ، مما يقلل من فرصة تعثر الشبكة في الحدود الدنيا المحلية. ومع ذلك ، عادةً ما ينتج عن التعلم الدفعي هبوطًا أسرع وأكثر استقرارًا إلى الحد الأدنى المحلي ، حيث يتم تنفيذ كل تحديث في اتجاه متوسط ​​خطأ الدُفعة. الحل الوسط الشائع هو استخدام "دفعات صغيرة" ، دفعات صغيرة مع عينات في كل دفعة يتم اختيارها عشوائياً من مجموعة البيانات بأكملها.

تطورت شبكات ANN إلى مجموعة واسعة من التقنيات التي طورت حالة الفن عبر مجالات متعددة. تحتوي أبسط الأنواع على مكون ثابت واحد أو أكثر ، بما في ذلك عدد الوحدات وعدد الطبقات وأوزان الوحدات والطوبولوجيا. تسمح الأنواع الديناميكية لواحد أو أكثر من هذه أن تتطور عبر التعلم. هذه الأخيرة أكثر تعقيدًا ، ولكنها يمكن أن تقصر فترات التعلم وتؤدي إلى نتائج أفضل. بعض الأنواع تسمح / تتطلب التعلم ليكون "تحت إشراف" المشغل ، بينما يعمل البعض الآخر بشكل مستقل. تعمل بعض الأنواع في الأجهزة فقط ، في حين أن البعض الآخر عبارة عن برامج بحتة وتعمل على أجهزة كمبيوتر للأغراض العامة.

تتضمن بعض الإنجازات الرئيسية ما يلي: الشبكات العصبية التلافيفية التي أثبتت نجاحها بشكل خاص في معالجة البيانات المرئية وغيرها من البيانات ثنائية الأبعاد [70] [71] تتجنب الذاكرة طويلة المدى مشكلة التدرج المتلاشي [72] ويمكنها التعامل مع الإشارات التي تحتوي على مزيج من مكوّنات التردد المنخفض والعالي التي تساعد على التعرف على الكلام بمفردات كبيرة ، [73] [74] تركيب تحويل النص إلى كلام ، [75] [10] [76] ورؤوس التحدث بالصور الواقعية [77] الشبكات التنافسية مثل التوليد شبكات الخصومة التي تتنافس فيها شبكات متعددة (ذات هيكل متفاوت) مع بعضها البعض ، في مهام مثل الفوز في لعبة [78] أو في خداع الخصم بشأن أصالة أحد المدخلات. [79]

يستخدم بحث العمارة العصبية (NAS) التعلم الآلي لأتمتة تصميم ANN. صممت الأساليب المختلفة لـ NAS شبكات تقارن جيدًا بالأنظمة المصممة يدويًا. تتمثل خوارزمية البحث الأساسية في اقتراح نموذج مرشح وتقييمه مقابل مجموعة بيانات واستخدام النتائج كتغذية مرتدة لتعليم شبكة NAS. [80] تشمل الأنظمة المتاحة AutoML و AutoKeras. [81]

تتضمن مشكلات التصميم تحديد عدد طبقات الشبكة ونوعها وترابطها ، بالإضافة إلى حجم كل منها ونوع الاتصال (كامل ، مجمّع ،.).

يجب أيضًا تعريف المعلمات الفائقة كجزء من التصميم (لم يتم تعلمها) ، وتحكم أمورًا مثل عدد الخلايا العصبية في كل طبقة ، ومعدل التعلم ، والخطوة ، والخطوة ، والعمق ، والمجال الاستقبالي والحشو (لشبكات CNN) ، إلخ. [ 82]

يتطلب استخدام الشبكات العصبية الاصطناعية فهم خصائصها.

  • اختيار النموذج: هذا يعتمد على تمثيل البيانات والتطبيق. النماذج المعقدة للغاية تبطئ التعلم.
  • خوارزمية التعلم: توجد مقايضات عديدة بين خوارزميات التعلم. ستعمل أي خوارزمية تقريبًا بشكل جيد مع المعلمات الفائقة الصحيحة للتدريب على مجموعة بيانات معينة. ومع ذلك ، فإن اختيار وضبط خوارزمية للتدريب على البيانات غير المرئية يتطلب تجارب كبيرة.
  • المتانة: إذا تم اختيار النموذج ووظيفة التكلفة وخوارزمية التعلم بشكل مناسب ، يمكن أن تصبح ANN الناتجة قوية.

تندرج إمكانات ANN ضمن الفئات العريضة التالية: [ بحاجة لمصدر ]

    ، أو تحليل الانحدار ، بما في ذلك تنبؤ السلاسل الزمنية وتقريب الملاءمة والنمذجة. ، بما في ذلك التعرف على النمط والتسلسل ، واكتشاف الحداثة واتخاذ القرار المتسلسل. [83] ، بما في ذلك الترشيح والتجميع وفصل المصدر الأعمى والضغط. ، بما في ذلك توجيه المتلاعبين والأطراف الاصطناعية.

نظرًا لقدرتها على التكاثر ونمذجة العمليات غير الخطية ، وجدت الشبكات العصبية الاصطناعية تطبيقات في العديد من التخصصات. تشمل مجالات التطبيق تحديد النظام والتحكم فيه (التحكم في السيارة ، التنبؤ بالمسار ، [84] التحكم في العملية ، إدارة الموارد الطبيعية) ، كيمياء الكم ، [85] اللعب العام ، [86] التعرف على الأنماط (أنظمة الرادار ، تحديد الوجه ، تصنيف الإشارة ، [87] إعادة البناء ثلاثي الأبعاد ، [88] التعرف على الأشياء والمزيد) ، التعرف على التسلسل (الإيماءات ، الكلام ، التعرف على النص المكتوب والمطبوع بخط اليد [89]) ، التشخيص الطبي ، التمويل [90] (مثل أنظمة التداول الآلي) ، التنقيب عن البيانات ، التصور والترجمة الآلية وتصفية الشبكات الاجتماعية [91] وتصفية البريد الإلكتروني العشوائي. تم استخدام الشبكات العصبية الاصطناعية لتشخيص عدة أنواع من السرطانات [92] [93] ولتمييز خطوط الخلايا السرطانية شديدة التوغل عن الخطوط الأقل توغلاً باستخدام معلومات شكل الخلية فقط. [94] [95]

تم استخدام الشبكات العصبية الاصطناعية لتسريع تحليل موثوقية البنى التحتية المعرضة للكوارث الطبيعية [96] [97] وللتنبؤ بمستوطنات المؤسسة. [98] تم استخدام شبكات ANN أيضًا لبناء نماذج الصندوق الأسود في علوم الأرض: الهيدرولوجيا ، [99] [100] نمذجة المحيطات والهندسة الساحلية ، [101] [102] والجيومورفولوجيا. [103] تم استخدام شبكات ANN في الأمن السيبراني ، بهدف التمييز بين الأنشطة المشروعة والأنشطة الخبيثة. على سبيل المثال ، تم استخدام التعلم الآلي لتصنيف البرامج الضارة لنظام Android ، [104] لتحديد المجالات التي تنتمي إلى جهات التهديد واكتشاف عناوين URL التي تشكل خطرًا أمنيًا. [105] البحث جاري على أنظمة ANN المصممة لاختبار الاختراق ، لاكتشاف شبكات الروبوت ، [106] تزوير بطاقات الائتمان [107] واختراقات الشبكة.

تم اقتراح ANNs كأداة لحل المعادلات التفاضلية الجزئية في الفيزياء [108] [109] [110] ومحاكاة خصائص الأنظمة الكمومية المفتوحة للعديد من الأجسام. [111] [112] [113] [114] في أبحاث الدماغ ، قامت الشبكات العصبية الاصطناعية بدراسة السلوك قصير المدى للخلايا العصبية الفردية ، [115] تنشأ ديناميكيات الدوائر العصبية من التفاعلات بين الخلايا العصبية الفردية وكيف يمكن أن ينشأ السلوك من الوحدات العصبية المجردة التي تمثل أنظمة فرعية كاملة. نظرت الدراسات في مرونة الأنظمة العصبية طويلة وقصيرة المدى وعلاقتها بالتعلم والذاكرة من الخلايا العصبية الفردية إلى مستوى النظام.

تحرير القوة الحسابية

يعد المستشعر متعدد الطبقات مقربًا للوظيفة العامة ، كما ثبت من خلال نظرية التقريب العالمية. ومع ذلك ، فإن الدليل ليس بناءً فيما يتعلق بعدد الخلايا العصبية المطلوبة ، وطوبولوجيا الشبكة ، والأوزان ومعلمات التعلم.

تمتلك بنية متكررة محددة ذات أوزان ذات قيمة منطقية (على عكس الأوزان الحقيقية ذات القيمة الرقمية الدقيقة) قوة آلة تورينج العامة ، [116] باستخدام عدد محدود من الخلايا العصبية والوصلات الخطية القياسية. علاوة على ذلك ، فإن استخدام القيم غير المنطقية للأوزان ينتج آلة ذات قوة تورينج فائقة. [117]

تحرير السعة

تتوافق خاصية "السعة" الخاصة بالنموذج مع قدرته على نمذجة أي وظيفة معينة. يتعلق بكمية المعلومات التي يمكن تخزينها في الشبكة ومفهوم التعقيد. هناك مفهومان للقدرة يعرفهما المجتمع. سعة المعلومات وبعد VC. تمت مناقشة القدرة المعلوماتية للمدرك الحسي بشكل مكثف في كتاب السير ديفيد ماكاي [118] الذي يلخص عمل توماس كوفر. [119] يمكن اشتقاق قدرة شبكة من الخلايا العصبية المعيارية (غير التلافيفية) من خلال أربع قواعد [120] مشتقة من فهم العصبون كعنصر كهربائي. تلتقط سعة المعلومات الوظائف التي يمكن نمذجتها بواسطة الشبكة مع إعطاء أي بيانات كمدخلات. الفكرة الثانية ، هي بعد VC. يستخدم البعد VC مبادئ نظرية القياس ويجد السعة القصوى في ظل أفضل الظروف الممكنة. هذا هو ، إعطاء بيانات الإدخال في شكل معين. كما هو مذكور في ، [118] البعد VC للمدخلات التعسفية هو نصف سعة المعلومات من Perceptron. يُشار أحيانًا إلى بُعد VC للنقاط التعسفية باسم سعة الذاكرة. [121]

تحرير التقارب

قد لا تتقارب النماذج باستمرار على حل واحد ، أولاً بسبب احتمال وجود حد أدنى محلي ، اعتمادًا على دالة التكلفة والنموذج. ثانيًا ، قد لا تضمن طريقة التحسين المستخدمة التقارب عندما تبدأ بعيدًا عن أي حد أدنى محلي. ثالثًا ، بالنسبة للبيانات أو المعلمات الكبيرة بدرجة كافية ، تصبح بعض الطرق غير عملية.

إن سلوك التقارب لأنواع معينة من بنى ANN مفهومة أكثر من غيرها. عندما يقترب عرض الشبكة من اللانهاية ، يتم وصف ANN جيدًا من خلال توسعة تايلور من الدرجة الأولى طوال فترة التدريب ، وبالتالي ترث سلوك التقارب لنماذج الأفين. [122] [123] مثال آخر هو عندما تكون المعلمات صغيرة ، لوحظ أن الشبكات العصبية الاصطناعية غالبًا ما تلائم الوظائف المستهدفة من الترددات المنخفضة إلى الترددات العالية. [124] [125] [126] [127] هذه الظاهرة هي عكس سلوك بعض المخططات العددية التكرارية المدروسة جيدًا مثل طريقة جاكوبي.

تحرير التعميم والإحصاءات

التطبيقات التي تهدف إلى إنشاء نظام يعمم جيدًا على الأمثلة غير المرئية ، تواجه احتمال الإفراط في التدريب. ينشأ هذا في الأنظمة المعقدة أو المفرطة التحديد عندما تتجاوز سعة الشبكة بشكل كبير المعلمات المجانية المطلوبة. نهجان يعالجان الإفراط في التدريب. الأول هو استخدام التحقق المتقاطع والتقنيات المماثلة للتحقق من وجود التدريب الزائد واختيار المعلمات الفائقة لتقليل خطأ التعميم.

والثاني هو استخدام شكل من أشكال تسوية. يظهر هذا المفهوم في إطار احتمالي (بايزي) ، حيث يمكن إجراء التنظيم عن طريق اختيار احتمالية سابقة أكبر على نماذج أبسط ولكن أيضًا في نظرية التعلم الإحصائي ، حيث يكون الهدف هو تقليل أكثر من كميتين: "الخطر التجريبي" و " المخاطر الهيكلية ، والتي تتوافق تقريبًا مع الخطأ في مجموعة التدريب والخطأ المتوقع في البيانات غير المرئية بسبب التجهيز الزائد.

يمكن للشبكات العصبية الخاضعة للإشراف التي تستخدم دالة التكلفة للخطأ التربيعي المتوسط ​​(MSE) استخدام طرق إحصائية رسمية لتحديد ثقة النموذج المدرب. يمكن استخدام MSE على مجموعة التحقق كتقدير للتباين. يمكن بعد ذلك استخدام هذه القيمة لحساب فاصل الثقة لمخرجات الشبكة ، بافتراض التوزيع الطبيعي. يعد تحليل الثقة الذي تم إجراؤه بهذه الطريقة صالحًا إحصائيًا طالما ظل توزيع احتمالية الإخراج كما هو ولم يتم تعديل الشبكة.

من خلال تعيين وظيفة تنشيط softmax ، وهي تعميم للوظيفة اللوجستية ، على طبقة الإخراج للشبكة العصبية (أو مكون softmax في شبكة قائمة على المكون) لمتغيرات الهدف الفئوية ، يمكن تفسير المخرجات على أنها احتمالات لاحقة. هذا مفيد في التصنيف لأنه يعطي مقياس يقين على التصنيفات.

وظيفة تنشيط softmax هي:

تحرير التدريب

من الانتقادات الشائعة للشبكات العصبية ، لا سيما في مجال الروبوتات ، أنها تتطلب الكثير من التدريب للتشغيل في العالم الحقيقي. [ بحاجة لمصدر ] تشمل الحلول المحتملة أمثلة التدريب العشوائية العشوائية ، باستخدام خوارزمية التحسين العددي التي لا تتخذ خطوات كبيرة جدًا عند تغيير اتصالات الشبكة باتباع مثال ، وتجميع الأمثلة في ما يسمى بالدُفعات الصغيرة و / أو تقديم خوارزمية تكرارية للمربعات الصغرى CMAC. [68]

تحرير النظرية

A fundamental objection is that ANNs do not sufficiently reflect neuronal function. Backpropagation is a critical step, although no such mechanism exists in biological neural networks. [128] How information is coded by real neurons is not known. Sensor neurons fire action potentials more frequently with sensor activation and muscle cells pull more strongly when their associated motor neurons receive action potentials more frequently. [129] Other than the case of relaying information from a sensor neuron to a motor neuron, almost nothing of the principles of how information is handled by biological neural networks is known.

A central claim of ANNs is that they embody new and powerful general principles for processing information. These principles are ill-defined. It is often claimed that they are emergent from the network itself. This allows simple statistical association (the basic function of artificial neural networks) to be described as learning or recognition. Alexander Dewdney commented that, as a result, artificial neural networks have a "something-for-nothing quality, one that imparts a peculiar aura of laziness and a distinct lack of curiosity about just how good these computing systems are. No human hand (or mind) intervenes solutions are found as if by magic and no one, it seems, has learned anything". [130] One response to Dewdney is that neural networks handle many complex and diverse tasks, ranging from autonomously flying aircraft [131] to detecting credit card fraud to mastering the game of Go.

Technology writer Roger Bridgman commented:

Neural networks, for instance, are in the dock not only because they have been hyped to high heaven, (what hasn't?) but also because you could create a successful net without understanding how it worked: the bunch of numbers that captures its behaviour would in all probability be "an opaque, unreadable table. valueless as a scientific resource".

In spite of his emphatic declaration that science is not technology, Dewdney seems here to pillory neural nets as bad science when most of those devising them are just trying to be good engineers. An unreadable table that a useful machine could read would still be well worth having. [132]

Biological brains use both shallow and deep circuits as reported by brain anatomy, [133] displaying a wide variety of invariance. Weng [134] argued that the brain self-wires largely according to signal statistics and therefore, a serial cascade cannot catch all major statistical dependencies.

Hardware Edit

Large and effective neural networks require considerable computing resources. [135] While the brain has hardware tailored to the task of processing signals through a graph of neurons, simulating even a simplified neuron on von Neumann architecture may consume vast amounts of memory and storage. Furthermore, the designer often needs to transmit signals through many of these connections and their associated neurons – which require enormous CPU power and time.

Schmidhuber noted that the resurgence of neural networks in the twenty-first century is largely attributable to advances in hardware: from 1991 to 2015, computing power, especially as delivered by GPGPUs (on GPUs), has increased around a million-fold, making the standard backpropagation algorithm feasible for training networks that are several layers deeper than before. [7] The use of accelerators such as FPGAs and GPUs can reduce training times from months to days. [135]

Neuromorphic engineering addresses the hardware difficulty directly, by constructing non-von-Neumann chips to directly implement neural networks in circuitry. Another type of chip optimized for neural network processing is called a Tensor Processing Unit, or TPU. [136]

Practical counterexamples Edit

Analyzing what has been learned by an ANN is much easier than analyzing what has been learned by a biological neural network. Furthermore, researchers involved in exploring learning algorithms for neural networks are gradually uncovering general principles that allow a learning machine to be successful. For example, local vs. non-local learning and shallow vs. deep architecture. [137]

Hybrid approaches Edit

Advocates of hybrid models (combining neural networks and symbolic approaches), claim that such a mixture can better capture the mechanisms of the human mind. [138] [139]

A two-layer feedforward artificial neural network.

An artificial neural network.

A single-layer feedforward artificial neural network with 4 inputs, 6 hidden and 2 outputs. Given position state and direction outputs wheel based control values.

A two-layer feedforward artificial neural network with 8 inputs, 2x8 hidden and 2 outputs. Given position state, direction and other environment values outputs thruster based control values.

Parallel pipeline structure of CMAC neural network. This learning algorithm can converge in one step.


Other Factors: Diseases and Drugs

Some illnesses may lead to obesity or weight gain. These may include Cushing&rsquos disease, and polycystic ovary syndrome. Drugs such as steroids and some antidepressants may also cause weight gain. Research continues on the role of other factors in energy balance and weight gain such as chemical exposures and the role of the microbiome.

A health care provider can help you learn more about your health habits and history to identify whether behaviors, illnesses, medications, and/or psychological factors are contributing to weight gain or making weight loss hard.


“By observing or noticing the mental dialogue we experience (rather than acting on it), we change our relationship to it.”

So, where does one go from there? I’m here to become wise about pressure and stress. I can simply observe when I am feeling pressured and how stress functions in me and discern how to use it properly (via my Strategy & Authority). The key is to recognize what pressure belongs to me and what does not. De-conditioning, as it is called in the Human Design System, is a process of letting go of what we are not. By observing or noticing the mental dialogue we experience (rather than acting on it), we change our relationship to it. This is the beauty of quantum. Something completely new emerges and we become more aware and able to see everything in a new way.

What about the different Authority types?

Your Strategy and Inner Authority go together to guide you. Your Inner Authority is your body’s knowing or intelligence, how you know if a decision is the right one for you. You hear a lot these days about following your intuition. Human Design gets specific and shows you where your Authority lies so you can experiment and see how it works for you. It’s a funny thing. You can look at your open centers and pretty much pinpoint where and how you’ve been giving your Authority away to things and people that are not you. When we intentionally practice with our true Strategy and Authority, we align with our unique path and genetic makeup. Things just naturally fall into place, from where we live, to our job, and our relationships.

If you’re making decisions using your Strategy and Authority, then you are not making decisions with your mind. In the beginning, it is very common for our minds not to agree with this guidance! Everyone will experience their Strategy and Authority in a way that is unique to them. The only way to get the benefit of this information is to bring it alive within yourself by experimenting with your design. A foundation reading with a certified analyst can show you how—there are many nuanced details within each BodyGraph—but in general terms, the types are below:


The 5 main types of contracts in construction

Lump sum contracts

Lump sum contracts, also known as fixed price contracts, are the most basic type of construction contracts. That’s because they outline one fixed price for all the work done under them. For this reason, lump sum contracts are extremely common in construction. Odds are most contractors have entered into multiple lump sum contracts in the past.

However, as simple as the one price formula seems, lump sum contracts aren’t so cut-and-dry. Here are a few key benefits and drawbacks of lump sum contracts:

Pros of lump sum

  • Lump sum contracts simplify bidding. Naming a total price rather than submitting multiple bids simplifies the selection process for owners and GCs.
  • Finishing under-budget means high profit margins. Because the price for the project is set in stone, finishing under-budget means you pocket the savings.

Cons of lump sum

  • Miscalculations destroy margins. When drafting a lump sum contract, you need to account for every variable. Since there’s one set price, unexpected setbacks or changes during a project cut directly into your profit margin.
  • The bigger the project, the more room for loss. If you’re working with subs and suppliers, there is no room for error. The cost of those inevitable missteps and setbacks from sub-tiers comes right out of the lump sum price.

As you can see, lump sum contracts involve a fair amount of risk for contractors because they don’t account for unexpected costs or delays after the project is started. Missteps mean you make less money, or, even worse, lose money on a project.

That’s why lump sum contracts are best suited for smaller projects with predictable scopes of work.

Time and materials contracts

As opposed to lump sum contracts, time and materials (T&M) contracts work best for projects in which the scope of work is not well-defined. Time and materials contracts reimburse contractors for the cost of materials and establish an hourly or daily pay rate.

Here’s an overview of the pros and cons of time and materials contracts:

Pros of T&M

  • Time and materials contracts are agile. Since the customer reimburses the contractor for the cost of materials and pays an hourly wage, unexpected delays, roadblocks, and other changes to the scope of work are covered.
  • Time and materials contracts allow for simple negotiations. Setting rules for what materials will be covered and what the hourly wage will be is simple with time and materials contracts.

Cons of T&M

  • Tracking time and materials is time consuming. Logging each and every material cost on a project is no small task, and failure to provide an accurate number upon completion means lower profit margins. Doing a thorough job here means you spend more time crunching numbers and less time doing the work.
  • Efficiency isn’t rewarded. Since time and materials contracts pay by the hour or day, there’s no real incentive to finish a project early. However, it’s common practice to stipulate a bonus for finishing ahead of schedule.

When you consider the unpredictable nature of any given construction project, the owner bears a considerable amount of risk with time and materials contracts. That’s because they’re required to pay the contractor for any unexpected costs, changes, or time overruns that take place over the course of the project, costing them more than they initially planned for.

Cost-Plus contracts

Cost-plus contracts, otherwise known as cost-reimbursement contracts, involve the owner paying the contractor for the costs incurred during the project plus a set amount of money for profit, which can be determined by a percentage of the total price of the project.

The costs covered by cost-plus contracts can involve direct costs (i.e. direct labor and materials), indirect costs (i.e. office space, travel, and communication expenses), and profit (i.e. the agreed upon fee or markup).

Pros of cost-plus

  • Cost-plus contracts are flexible. Cost-plus contracts allow owners to make design changes along the way, and contractors know they’ll be paid for the extra time or materials those changes incur.
  • Miscalculations aren’t devastating. Since cost-plus contracts are flexible by nature, inaccuracies in the initial bid aren’t as detrimental as they are with lump sum contracts.

Cons of cost-plus

  • Justifying some costs can be difficult. Cost-plus contracts require contractors to justify the costs on a given project. Sometimes those costs can be hard to account for, and owners can be resistant to reimbursing indirect costs like administrative expenses and mileage.
  • Fronting the cost of materials can put contractors in a bind. Since cost-plus contracts operate through reimbursement, paying more than you expected for materials could mean you’re spread thin for the remainder of the project.

When it comes to cost-plus contracts, the majority of the risk is placed on the owner. That’s because the contractor is paid for all costs incurred during the project, and any unforeseen expenses come out of the owner’s pocket. For that reason, cost-plus contracts are best suited for projects in which a lot of creative flexibility is needed.

Unit price contracts

Unit price contracts divide the total work required to complete a project into separate units. They are also known as measurement contracts, measure and pay contracts، أو remeasurement contracts. The contractor provides the owner with price estimates for each unit of work, rather than an estimate for the project as a whole.

Unit price contracts are useful for projects in which the work is repetitive, heavily dependent on material costs, and the amount of work needed isn’t clear before the project is started.

Pros of unit price

  • Unit price contracts simplify invoicing. Unit price contracts allow for increased transparency. Owners can easily understand each cost that goes into the final price of the contract because the price of each unit is predetermined. This helps avoid disputes and arguments when it’s time to pay up.
  • If more work is required, the profit margin stays the same. Any extra work that’s needed is simply added on as another pre-priced unit, making it easier to manage change orders and other alterations to the scope of work.

Cons of unit price

  • Predicting the final value of the contract can be difficult. Usually, the amount of units needed to complete a project isn’t known immediately. This means owners may pay more than they expected.
  • Remeasurement can delay payment. Remeasurement, or the owner’s ability to compare the price of each unit with the total cost of the project, can slow down payment. Although transparency is something we should all strive towards, this may be something you want to consider.

When it comes to unit price contracts, the majority of the risk lies with the owner because they must reimburse the cost of unexpected units that are added. However, the transparency they afford is a massive benefit to all parties involved.

GMP contracts

Guaranteed maximum price (GMP) contracts establish a cap on the contract price. With this type of construction contract, the property owner won’t exceed the contract price. Any material or labor costs above that price should be covered by the contractor.

Sometimes, another type of construction contract may also include a GMP provision. For example, a cost-plus contract could include a clause that limits total costs to a guaranteed maximum price.

Guaranteed maximum prices are a common feature in construction contracts, and they’re best suited to projects with few unknowns. For example, the construction of a retail chain with plans that have been used over and over.

Pros of GMP

  • GMP contracts make for quicker projects. Having a final contract price accelerates the bidding process, and it makes financing projects easier because lenders know the maximum amount a given project will cost early on.
  • GMP contracts incentivize savings. Having a fixed price overhead incentivizes contractors to reduce costs and finish ahead of schedule. Owners usually agree to share cost savings with their contractors.

Cons of GMP

  • GMP contracts place risk on contractors. Unfortunately, GMP contracts force the party doing the work to absorb cost overages in the event the contract price maximum is exceeded.
  • GMP contracts can take longer to review and negotiate. In order to protect themselves from exceeding the price cap, contractors may try to increase the maximum price of the contract. When this happens, the negotiation process is elongated and the project takes longer to start.

Since the owner won’t pay for any cost overruns, guaranteed price contracts shift a lot of risk onto contractors. Considering that risk, one thing contractors can do is use a good cost estimating software. Job costing is an important accounting process on any construction project, and having a solid estimate will minimize risk by helping contractors avoid overcharging or undercharging the owner.


What happens if I fail to take my RMD?

Lawmakers were serious about forcing people to take required minimum distributions, so they made sure the penalties for failing to comply with the RMD rules were strict. If you don't take out the full amount of your RMD by the appropriate deadline, then the IRS charges a whopping 50% penalty on the amount that you should have taken out. Based on current tax rates, that penalty will be larger in every circumstance than the amount of tax you'd have to pay if you withdrew the required amount.

To some, the 50% RMD penalty seems draconian. But it only serves to express how important legislators found it to put limits on the amount of time that taxpayers could benefit from favorable tax laws surrounding retirement savings.


Baldi’s Basics 2

Can a little-budget game a super hit? Well, everything is possible, because now one of the most popular games has a very simple graphics. It resembles games from the 90’s, and the character seems to be even a bit ugly, though, it doesn’t mean that Baldi’s Basics in Education and Learning is plain and dull. What? You saw the word Education, and the game isn’t interesting for you anymore? Well, the genre of the game has nothing to do with education, though it takes place in school this is an indie horror game, and you can see all peculiarities of the game as soon as you load it. Your character is a student, whose task is to collect seven notebooks, which around the school. This task doesn’t seem to be too difficult, but there is a big problem – your professor is chasing you, and his mind is obsessed with the idea of killing you. The teacher isn’t bad in fact it’s you, who makes him mad. The reason is simple: he is the teacher of math, and you are dealing with this very subject. At the beginning of the game you will see math problems, which may be very easy, as the name of the game states. But later everything will become more complicated. And you will make a mistake during calculation, which will lead to serious troubles. Your professor loves his subject, and he hates lazy and stupid students, and he knows how to make them become cleverer.

Every time he hears a mistake, he becomes furious. He has a perfect hearing, and he can hear everyone and everything. Don’t think that you are cleverer than professor: you need to solve math problems in every notebook, and some of them don’t have a positive solution. So to say, no matter how hard you try, you will make a mistake. But this is the sense of a horror game, isn’t it? This game is perfect for those, who like small games with crazy graphics and the ability to scare oneself to death. So, how should you deal with your crazy professor? The answer is simple. You should run as soon as you make a mistake, because Baldi, it’s the professor’s name, is hunting for you with a big ruler in his hands. He can beat you to death with this simple tool, and your character will hate math till the last day of his life, if he managed to survive. This is quite possible, because despite numerous characters that will be helping professor, you still have a chance to survive and get out of school. When you do this, the doors will be closed behind you, and you will win the game in this way.


شاهد الفيديو: اساسيات ادوات الرسم (شهر اكتوبر 2021).