Griboks

Принцип в том, что тут нет неправильного ответа.

Попробуйте начать с посещений уроков математики в школе.

Надо просто избавиться от race condition.

Функция потерь вычисляет ошибку между оценочным и истинным результатом. Идея в том, что нельзя просто так вычесть одно из другого, иногда невозможно. Поэтому и вычисляют какое-то число, характеризующее правильность результата.

У абстракций подобного уровня нет практических применений, но они позволяют упростить более простые задачи. Стандартное применение на практике выглядит так:
1. Рассматриваем практическую систему чисел.
2. Доказывает, что она является группой.
3. Теперь мы можем использовать готовые свойства и формулы для нашей конкретной системы чисел. Т. е. мы пропустили несколько десятков страниц формул для нашей задачи.

Можно почитать учебник математики и составить на бумажке формулу, затем реализовать её не js.

Никак, это невозможно. Вы неправильно сформулировали вопрос, а это уже половина ответа. Возможно,вам надо прочитать про проекции или слои.

Очень странный вопрос. Это целых 2 вопроса:
1) как объединить массивы
2) как сделать массивы уникальными
Если у вас есть пример, то вы уже знаете ответ №1, значит ответ №2 будет: убрать повторяющиеся массивы. Если же вы не знаете ответ №1, то откуда у вас пример? Корректно поставленный вопрос - это уже половина ответа.

Скользящее среднее - это просто среднее арифметическое n последних значений. Т.е. у вас есть очередь размером n, вы в неё постепенно добавляете значение,удаляя самое старое, затем пересчитываете среднее. Чтобы это доказать, надо сравнить ваш график с заведомо правильным.

Нет, практически никогда. Обычно достаточно набросать кучу условий, скобок и прочего для понимания, а затем попросить компилятор/IDE всё это привести в нужную форму(СКФ,СДФ, ленивые вычисления, неявные преобразования к булеану,тернарные условные операторы, минимальное ветвление с return).

Для просто представим задачу в матричной форме.
Даны матрицы X,Y.
Существует некоторая функция F с матрицей параметров W, которая преобразует X->Y.
В простейшем случае функция F(X,W)=X*W=Y.
Было бы круто из матрицы весов W получить вектор весов w, что бы иметь возможность преобразовать произвольный вектор x->y для одного датасета.
Остаётся вопрос преобразования W->w. Этим как раз и занимается функция обучения H(W)=w.
Обычно она индуктивна: на нулевом шаге выбирается исходный вектор весов w, затем каждую итерацию к нему прибавляется -k*L(w*x;y), где k - коэффициент скорости обучения, L(a,b) - функция потерь между a и b.
Получаем H(W)={H[0]=w[0];H[i]=w[i-1]-k*L(w[i-1]*x[i];y[i])}.
Ваша задача преобразовать функцию H(W), чтобы сходимость была максимальной (чтобы это не значило). Думаю, речь идёт о скорости сходимости, количестве итераций (шагов) обучения или алгоритмической операционной сложности.

Возможно, вам подойдут следующие формулы:
1. среднее арифметическое
2. среднее гармоническое
3. среднее геометрическое
4. математическое ожидание
5. центр масс
6. среднее арифметическое с умножением на объем

Первым делом вам надо придумать некую математическую модель, которая бы описывала длительность рейса.

Классическое решение - принять рейсы за пуассоновский поток. Тогда вы сможете предсказывать длительность рейса с любой вероятностью. Такая модель даёт грубую оценку вверх, поэтому особых проблем возникнуть не должно.

Про машинное обучение рассказывать долго, но идея простая:
1. классифицировать
2. обучить
3. прогнозировать

Нисколько. Прийти в правый Нижний угол невозможно.