dmshar

А книжки читать не пробовали? Там, где аккуратно и систематически излагаются основы нейронных сетей, когда какую архитектуру применять, какие проблемы, нюансы и подводные камни есть, как повысить точность и не попасть в переобучение. И как "что-то исправить", если что-то пошло "не так". В общем- нормальный учебник. Причем написаны такие книги как правила людьми, которые точно в теме и которые при этом еще и свои мысли могут излагать, грамотно и последовательно. А их редакторы-рецензенты - как правило такие книги вычитали и убрали очевидные ошибки.
Или читать - не наш путь. Это же самому надо, разбираться, анализировать, сопоставлять .Проще на форуме спросить у неведомо кого, получить от него непонятного качества консультацию и потратить время на еще одну итерацию с непредсказуемым шансом на успех. А потом - либо бросить это дело, либо все равно засесть за книги.
И вас с наступающими!

Рискую вас удивить, но сила корреляции "двух вещественных величин" измеряется с помощью коэффициента корреляции, известной так-же, как "корреляция Пирсона".

Если под моделью вы понимаете метод, который лучше применить для решения вашей задачи, то ответ зависит от того, что за данные вы имеете. Зависят-ли они явно или неявно от времени - если да, тогда вам надо строить модели процесса на основе временных рядов и использовать соответствующие методы предсказания (какой именно можно понять, только проанализировав данные).
Если данные от времени не зависят - тогда используются методы классификации, а какой именно - любой ответ без предварительного анализа данных будет угадыванием, с соответствующим уровнем полезности. Именно потому, что метод зависит от данных и придумано их великое множество.

Предположу, что в данном случае оба метода дают тождественный результат на одной и той-же обучающей выборке. Соответственно - и ошибка одинакова.

Возможно все. Вопрос - хватит ли у вас знаний, если вы не можете самостоятельно найти ответ на базовый вопрос.
Таких примеров по сети гуляет много. На kaggle были соответствующие соревнования:
https://www.kaggle.com/elikplim/forest-fires-data-set
Один из примеров решения задач с помощью нейросетей и OpenCV.
https://towardsdatascience.com/early-fire-detectio...
Вот еще пару вариантов:
https://link.springer.com/chapter/10.1007/978-3-03...
https://journals.sagepub.com/doi/full/10.1177/1748...
https://github.com/Skar0/fire-detection
https://www.mdpi.com/2072-4292/11/14/1702/htm
Вот - без нейронки:
https://www.hindawi.com/journals/mpe/2018/7612487/
Ну и далее - по ccылкам самостоятельно. Будут конкретные вопросы - задавайте.

А почему только математику для нейронных сетей? А что программирование не надо?
А почему только для нейронных сетей? Нейронные сети это один из разделов машинного обучения. Да, самый модный, но всего лишь один из. (Пока освоите "математику" все может измениться и круто).
Это как школьники спрашивают - какой язык надо учить, что-бы стать мобильным разработчиком. Не понимая, что профессии "разработчик мобильных приложений" нет. Есть профессия "программист-разработчик". Так и с нейросетями.
Вон люди десятками считают навыки, которыми должен обладать желающий стать специалистом по машинному обучению
И математика там пусть самый главный, но один из необходимых скилзов.
А вот roadmap только по
статистике, которая понадобиться
А вобщем - The Roadmap of Mathematics for Deep Learning
И это только из самого последнего. Если немного напрячься - можно много чего полезного найти на такие простейшие вопросы. Например какую математику должны знать специалисты по машинному обучению после окончания приличного университета.

В любом случае советую начать с освоения склизов по самостоятельному гуглению на ответов вопросы, которые задаются по десятку в месяц даже на этом сайте. Без этого в машинном обучении делать практически нечего.

Гистограмма - по определению - это структура данных (объект), в которых каждая строчка соответствует некоторому интервалу возможных значений ваших входных данных, а значение в этой строке - количество элементов во входных данных, значение которое попадает в этот интервал.
Так что ваши рассуждения правильны.
При этом ни на какие части никакие "неудобные элементы" не делятся.
(На третьем ресурсе копировать свой ответ уже не буду).

Ну книга же явно называется "Tensorflow для глубокого обучения". И аннотация честно начинается с фразы "Книга позволяет освоить Tensorflow - новую, революционную программную библиотеку Googl для глубокого обучения". Книга НЕ обещает вам, что она вас обучит машинному обучению и нейронным сетям.
Знание Tensorflow делает вас специалистом по использованию Tensorflow с весьма поверхностным пониманием Машинного обучения. Хотите стать специалистом по машинному обучению и одному из его разделов - нейронным сетям, именно так и изучайте - сначала ML, потом нейронные сети. И после того, как хотя бы начнете поймать, что такое глубокое обучение, как его использовать и когда применять - учите Tensorflow, Keras, PyTorch и что еще посчитаете нужным.

Знание PyTorch сделает из вас специалиста по PyTorch, но никак не сделает специалиста в области МL.
Что-бы изучать МL надо изучать МL, а PyTorch рассматривать всего-лишь как один (из многих) инструментов для решения (некоторых) задач в области МL и в области обработки естественных языков в частности. И не более.
Поэтому, рекомендую не прыгать через пять ступенек, а начать с начал и двигаться естественным путем:
https://www.kdnuggets.com/2020/10/roadmap-natural-...
https://www.lexalytics.com/lexablog/machine-learni...
https://towardsdatascience.com/text-classification...
https://towardsdatascience.com/natural-language-pr...
https://www.kdnuggets.com/2020/07/5-fantastic-nlp-...
https://www.amazon.com/Applied-Text-Analysis-Pytho...

Если пример 1 еще можно отнести к вопросам, которые может быть привлекут внимание создателей соответствующего софта, то пример 2 - как-то непонятно сформулирован (лучшее время для стирки - это тогда, когда стоимость электроэнергии минимальна, т.е. ночью - что тут анализировать с вашего браслета?) а пример 3 - просто алгоритмическая задача. А если говорить про "предсказание" значений временных рядов соответствующих показаний - то оно также хорошо проработано и решается соответствующими методами из библиотек машинного обучения.

Погодите, задача детекции объекта - это не задача выделения фона. Это задача выделения объекта.

Решаема и решается многими методами. И решений есть достаточно.
Начните отсюда -

https://www.kdnuggets.com/2019/08/2019-guide-objec...
https://ai-news.ru/2020/10/analiz_izobrazhenij_i_v... (Первые 4 или 5 лекций)
https://www.analyticsvidhya.com/blog/2019/07/compu...
https://towardsdatascience.com/real-time-object-de...
https://towardsdatascience.com/detailed-tutorial-b...
https://habr.com/ru/company/recognitor/blog/505694/
https://towardsdatascience.com/face-detection-mode...
https://towardsdatascience.com/easy-object-detecti...

Не рекомендую. Судя по вопросу ваше представление о нейросетях - крайне начальное. Если начинать сразу с двух сложнейших задач, то с вероятностью 99.99999% вы его во-первых, в одиночку не осилите, во-вторых - такие задачи решаются очень не быстро, в третьих - они крайне требовательны к уровню подготовки команды. (Оставшиеся доли проценты - на то, что вы по талантам выше Эйнштейна и Тюринга вместе взятых).
Вы же, начав с этой задачи ничего, кроме как отбить какую-бы то ни было охоту изучать предмет - не получите.
Поэтому рекомендую начинать изучение с азов, постепенно поднимаясь к более сложным темам. И учтите, что это очень не быстрый путь.

Любой метод - не панацея. Ответ на ваш вопрос - прогнозировать-то можно. Но вот есть-ли зависимость вашего целевого признака от ваших (пусть даже 100) независимых признаков - это совершенно другой вопрос.
Неудача в прогнозировании может быть вызвана как неправильно выбранным методом, так и отсутствии корреляций между входными и выходными признаками.
И, кстати, подбор наиболее адекватных признаков - это одна из самых важных задач в ML.