xmoonlight

1. Составляем список получаемых критериев для каждого из отзывов (т.е., для одного).
2. Делаем морфологический разбор по сущностям и их взаимосвязям для каждого из отзывов.
3. Анализируем полученное дерево связей для каждого из отзывов.
4. Получаем коэффициенты интересующих нас критериев.
5. По совокупности весов (или на основе своего заранее подготовленного (НС) "дерева" весов) различных критериев для каждого из отзывов - определяем вес нашего целевого критерия (совокупного) для каждого конкретного отзыва.
6. Делаем сортировку по убыванию всех целевых весов в соответствии с отзывами и выводим максимальный или их кластеры в процентном соотношении (для визуального сравнения).
7. Profit! и (ещё раз) Profit!

НС - это фильтрация по признакам входных данных.
Для картинки: это цвет основного центрального пикселя и цвета соседних (окружающих его) пикселей.
Распознавание по-шагам:
1. Находим уникальные области изображения (ограниченные прямоугольником или кругом), составляющие топологический "скелет" всего изображения.
2. Находим максимальное сопоставление "скелетов" на эталонных и на распознаваемом изображении.
3. Выполняем сравнение этих областей с эталонными в процентном соотношении с учётом корректности топологии: линий, процентов расстояний и углов направлений каждой уникальной области относительно другим уникальным областям одного изображения.
4. Профит!

Обучение - установка "весов" в узлах нейросети по заранее заданным входным и выходным параметрам.

Пример, обучения (ребёнка):
Итерация1: показываем кубик (вход) -> говорим "это кубик" (выход)
Действие НС: сравнивать пока не с чем - просто создаём узел: "кубик". (вес нейрона: 1.0)
Итерация2: показываем шарик (вход) -> говорим "это шарик" (выход)
Действие НС: сравнивается с кубиком: нейронами формируются отклонения визуального контура предмета на основе большой разницы визуальной и звуковой информации и, на основе полного несовпадения ни с какими предметами (похожесть узлов 1-го уровня), появляется новый "узел" в НС: "шарик". (вес нейрона: 1/[общее кол-во связей в пределах текущего узла]=1/2=0.5)
Итерация3: показываем параллелепипед (брусок) (вход) -> говорим "это кирпичик, как кубик, только вытянутый" (выход)
Действие НС: сравнивается с кубиком и шариком: нейронами сравниваются совокупности "весов" узлов кубика и шарика, определяется, что максимальное совпадение - это кубик, формируется разница признаков и снова появляется новая ветка от узла "кубик".

Делаем сравнение: на сколько кирпичик отличается от остальных предметов?

Допустим, результат сравнения на совпадение контурных линий и звуковой информации:
1. кирпичик vs шарик: <50%
2. кирпичик vs кубик: >=50%, (НО! СТРОГО МЕНЬШЕ 100%)
Т.е., мы видим, что кирпичик - вовсе не шарик, а больше похож на "недокубик") и в связи с этим, строим новую ветку от узла "кубик".

Было:
1-й уровень (1=100%): 0.5(шарик), 0.5(кубик).
Стало:
1-й уровень (1=100%): шарик: 0.5, кубик: 0.5
2-й уровень (0.5=100%): кирпичик: 0.5
(3-й: 0.25=100% и т.д.)
Сумма весов от любого из "узлов" 1-го уровня до любого "листа" в "дереве" - всегда равна единице!

Таким способом, мы постепенно строим дерево связей.
Вот как-то так обучение и происходит: опорные эталонные признаки (обучение), сравнение с имеющимися из "дерева" знаний и добавление нового знания в нужную ветку дерева.

Сами связи - привязываем к времени с постепенным вычитание весов узлов дерева до нуля и получаем эффект забывания (или "высвобождения" узлов = памяти), если информация периодически не обновляется. При обновлении информации - обновляем всю ветку до листа максимальным весом: "повторенье - мать ученья".

Здесь информация по рекурсивному поиску и по поисковой древовидной структуре для хранения текста.

Краткая формула: когда целевой коэффициент больше (1-1/X) - установить этот путь осевым в алгоритме, иначе - использовать старое условие.
Если ничего непонято - см. интернет.

Логируйте:
1. Данные клиента: Акк, заголовки, сессию и т.д.
2. Переходы между страницами (цепочки URL)
3. Поведение на странице (ховеры и фокусы элементов, координаты мыши, клики, позиция станицы во ViewPort'е (scroll), ввод с клавиатуры, фокус вкладки)

Затем всё это дело сохраняете в базе и майните потом любые данные.

SDK от nVidia сразу учите!
https://developer.nvidia.com/cuda-zone
C, C++, Fortran

В любом случае - это сегментация, а сегментация - это дерево с поиском по-вхождениям цепочек или НС.
Если совсем просто и "на-пальцах": берёте дерево категорий и теги с любого сайта и составляете дерево сегментации: категория -> тег->вес.

Человек пишет/кодирует алгоритмы с использованием нейросети, т.е. он вначале должен научиться их писать или взять готовые.
Следовательно, нейросеть - это "завод" по производству алгоритмов.
Вывод: хорошая и обученная нейросеть - это и есть (адаптивный) алгоритм.

www.raai.org/library/ainews/2003/5/kolmogorov.doc - в списке литературы
PS:

Похоже, это был русский автор

стр.32, правило 3 (pdf) - похоже)

Желания - мало. Нужны связи... между знаниями и проходным баллом.
Лучше всего - в робототехнику или автоматизированные системы управления и контроля.

Да, существует и называется: bruteforce или "атака грубой силой".
Вы перебираете все возможные варианты исходя из входных параметров с анализом выходных и поиском оптимального решения из всех получившихся результатов.
Но проблема в том, что Вы можете ошибиться минимум 3 раза:
1. С набором входных параметров
2. С их значениями
3. С их взаимосвязями и зависимостями
Скорее всего, у Вас это не получится.

robot-develop.org/helpful-resources

Абстрагирование
Аппроксимация
Моделирование
Интерполяция
Экстраполяция
Теорема Ока об аппроксимации

ДА