使用神经网络搜索任意模式 - 页 3 12345678910 新评论 Vladimir Simakov 2019.07.02 05:49 #21 Dmitry Fedoseev: 你认为 "人类描述 "和 "神经网络计数 "之间有区别吗？ 一个神经网络是通过实例来训练的，而不涉及依赖关系的细节。 正是如此。首先你应该为它准备100500个不同 "头肩 "的例子，并根据这些例子进行教学。 实际上，价格模式可以用数学来描述，你不需要NS来做这个。但试图找到错误模式的迹象，正是NS的任务。 Aleksey Vakhrushev 2019.07.02 13:53 #22 Dmitry Fedoseev: 你认为 "人类描述 "和 "神经网络计数 "之间有区别吗？ 一个神经网络是通过实例来训练的，不需要考虑依赖性的细节。 德米特里，请更详细地解释你的答案，是的，他们没有深入研究依赖关系的细节，但它是数学的基础，我认为（我认为），在人类行动的基础上也有数学，它本身更复杂，但也是1+1=2 Igor Makanu 2019.07.02 14:12 #23 Aleksey Vakhrushev: 它更复杂，但也是1+1=2 对于NS 1+1=2，但有一定的精度 对于某些类型的NS来说，并不是每个训练结果都与之前的训练相同，但它们（结果）将等于等于训练误差的准确性。 NS的基础不是数学，（是的，NS训练是一种数学计算），而是NS的类型，NS的结构。激活函数，你教NS分类或回归什么 ...也就是说，你不能只说NS给我这个结果--它是对的，或者反过来说NS在撒谎。NS是一个黑盒子，不是因为你想这么称呼它，而是因为NS使用了黑盒子模型 Dmitry Fedoseev 2019.07.02 14:20 #24 Aleksey Vakhrushev:迪米特里，请更详细地解释你的答案，是的，他们没有深入研究依赖关系的细节，但它是数学的基础，我认为（我认为），人类的行动也是基于数学的，它本身更复杂，但也是1+1=2 你需要知道一点关于神经网络的使用方法。有一个输入图像，就有一个输出结果。有了一定数量的这种对（输入图像-输出）的神经元组 就可以被训练。而且没有人关心为什么一些图像会有这样的结果，只是有一组有经验的事实，仅此而已。然后将分析过的图像输入到训练过的网络中，在输出端看到结果。 Mihail Marchukajtes 2019.09.01 03:15 #25 Dmitry Fedoseev: 你需要知道一点关于神经网络的使用方法。有一个输入图像，就有一个输出结果。有了大量这样的配对（输入图像-输出结果），就可以训练一个神经网络。而且没有人关心为什么一些图像会有这样的结果，只是有一组有经验的事实，仅此而已。然后，训练有素的网络接收要分析的图像，在输出端看结果。 你现在已经描述了与老师的学习。当有可能收集历史数据，并要求网络找到能尽可能准确描述它的数学规律（模型）。但有时并没有这样的历史数据，而是有一堆需要分解的模式，可以说是整理出来的。所有这些都是由不同的网络完成的。也就是说，设计了一个多层次的人工智能系统，其中一个网络对模式进行分类，另一个网络对其有效性进行定义。问题：如果我们可以在没有NS的情况下从数学上安排它们在架子上，为什么我们需要第一个NS？更有趣的是对另一个关于已形成模式的真相的问题的答案。 想给一个关键的提示!!!!!!??????我可以从你的眼睛里看到它 :-)好吧，我就举个例子吧。 如果我们认为任何模式都是既成事实（模式形成），那么它只给我们一个分析市场的时机。假设我们在形态形成后的下一个小节内开始进行自己的计算。这意味着，事实上，模式本身只给了我们应该进行计算的时间，但我们让NS来决定它是什么样的模式，什么条件导致了它的形成，以及它形成时发生了什么。如果我们考虑到任何模式只给我们提供了分析它的时机，那么拥有一套10个模式，我们将获得更多的分析条。没有必要为 "头肩顶 "训练一张网，为 "三个士兵 "训练另一张网，等等。但有必要告知国家统计局这是什么模式，而且做得非常简单。 因此，我们编写了一个指标，至少可以检测出5种买入和5种卖出的模式。当然，模式的未来顺序是不知道的，它们是混乱地出现的。相信它是什么样的模式，NS并不真正关心，它在形成任何模式的时刻看输入数据集，理论上，如果模式有巨大差异，输入数据集也会有巨大差异，以至于网络会看到它。但这对我们来说是不够的，我们想强行告诉网友这是个什么样的模式。这是很容易做到的。模式从-5到+5进行编码，输入值在数据转换的最早阶段被乘以。 乘法将数据沿Y轴分散，从而使一个图案的数据被乘以相同的数字，并移开一定的距离。因此，输入将取决于模式的类型。因此，我们最后有什么。 1.我们编写一个基本指标，定义模式，形成分析的信号。 2.定义输入数据集 确定NS的内部结构、训练方法、误差分析方法等。 4.在基本指标中，为输出变量做一个缓冲区。记住，我们不知道最近的模式的结果。缓冲区应该是这样的：未来的价值被归结为模式。当保存训练文件时，我们将知道所有模式的结果，除了最后一个。 5.我们制定了一种方法来检查所获得的模型的泛化能力。 就是这样...... Mihail Marchukajtes 2019.09.01 03:52 #26 当看到这个主题的标题时，我想到了另一个有趣的观点。 假设我们确实想用我们不知道的NS来寻找任意的模式。问题：如果我们不知道这些模式本身，那么知道什么？正确，我们确实知道对这些模式的反应，或者说我们必须选择在什么条件下寻找模式。 让我们来制定问题的表述。 找到5个蜡烛图的模式，之后在接下来的4个蜡烛图中，利率变化超过10%。当然，我们可以从历史中安排这种卸载，并生成一个训练文件，其中只包含每个案例的市场反应之前的5个柱状。然后，我们教网友在每个上升前的小节上显示1，在所有其他小节上显示-1。训练结束后，我们开始将最后5个柱子的数据逐个发送到网络的输入端，当网格显示为1时，那么输入端将包含与我们训练时完全相同的模式或与之相似的模式。 通过这种方法，我们将不知道它是什么样的模式，以及它的参数是什么。请注意，当这个数字是浮动的时候，我在输入上限制了5条，当在训练期间我们也调整输入窗口的时候，那么优化结果 的数量就会增加很多倍，当每条记录都是如此的独特，以至于在1000条记录中我们有1000个集群的时候，模式的数量就变成了保存数据的数量。IMHO! 我相信这种方法有它的位置，尽管它有某些局限性。至少它没有违反任何关键规则，如偷窥等。 Dmitry Fedoseev 2019.09.02 16:05 #27 无论有没有老师，都是对同一事物的不同看法。你必须知道情况和结果；如果你不知道，你就不能教什么。而你不需要上帝的礼物与鸡蛋--也就是教导和分类。 Mihail Marchukajtes 2019.09.02 16:12 #28 Dmitry Fedoseev: 无论是有老师还是没有老师--对同一事物的不同看法。必须知道情况和结果；如果没有这样的事情，你就不能教什么。而你不需要上帝的礼物与鸡蛋--也就是教导和分类。 在没有老师的情况下学习，你通常不知道结果，那么在这种情况下呢？ Алексей Тарабанов 2019.09.02 20:15 #29 Mihail Marchukajtes: 迈克尔，神经网络的工作方式有点不同。它并不像你想的那样工作。 Dmitry Fedoseev 2019.09.03 00:17 #30 Mihail Marchukajtes: 在没有老师的情况下学习，结果通常是未知的，那么这又是如何做到的呢？ 只有分类。网络学会了区分各种情况（图像），但它不能知道在哪种情况下该做什么，也不知道该怎么称呼哪种图像。 12345678910 新评论 原因: 取消 您错过了交易机会： 免费交易应用程序 8,000+信号可供复制 探索金融市场的经济新闻 注册 登录 拉丁字符（不带空格） 密码将被发送至该邮箱 发生错误 使用 Google 登录 您同意网站政策和使用条款 如果您没有帐号，请注册 可以使用cookies登录MQL5.com网站。 请在您的浏览器中启用必要的设置，否则您将无法登录。 忘记您的登录名/密码？ 使用 Google 登录
你认为 "人类描述 "和 "神经网络计数 "之间有区别吗？
一个神经网络是通过实例来训练的，而不涉及依赖关系的细节。
正是如此。首先你应该为它准备100500个不同 "头肩 "的例子，并根据这些例子进行教学。
实际上，价格模式可以用数学来描述，你不需要NS来做这个。但试图找到错误模式的迹象，正是NS的任务。
你认为 "人类描述 "和 "神经网络计数 "之间有区别吗？
一个神经网络是通过实例来训练的，不需要考虑依赖性的细节。
德米特里，请更详细地解释你的答案，是的，他们没有深入研究依赖关系的细节，但它是数学的基础，我认为（我认为），在人类行动的基础上也有数学，它本身更复杂，但也是1+1=2
它更复杂，但也是1+1=2
对于NS 1+1=2，但有一定的精度
对于某些类型的NS来说，并不是每个训练结果都与之前的训练相同，但它们（结果）将等于等于训练误差的准确性。
NS的基础不是数学，（是的，NS训练是一种数学计算），而是NS的类型，NS的结构。激活函数，你教NS分类或回归什么 ...也就是说，你不能只说NS给我这个结果--它是对的，或者反过来说NS在撒谎。NS是一个黑盒子，不是因为你想这么称呼它，而是因为NS使用了黑盒子模型
迪米特里，请更详细地解释你的答案，是的，他们没有深入研究依赖关系的细节，但它是数学的基础，我认为（我认为），人类的行动也是基于数学的，它本身更复杂，但也是1+1=2
你需要知道一点关于神经网络的使用方法。有一个输入图像，就有一个输出结果。有了一定数量的这种对（输入图像-输出）的神经元组 就可以被训练。而且没有人关心为什么一些图像会有这样的结果，只是有一组有经验的事实，仅此而已。然后将分析过的图像输入到训练过的网络中，在输出端看到结果。
你需要知道一点关于神经网络的使用方法。有一个输入图像，就有一个输出结果。有了大量这样的配对（输入图像-输出结果），就可以训练一个神经网络。而且没有人关心为什么一些图像会有这样的结果，只是有一组有经验的事实，仅此而已。然后，训练有素的网络接收要分析的图像，在输出端看结果。
你现在已经描述了与老师的学习。当有可能收集历史数据，并要求网络找到能尽可能准确描述它的数学规律（模型）。但有时并没有这样的历史数据，而是有一堆需要分解的模式，可以说是整理出来的。所有这些都是由不同的网络完成的。也就是说，设计了一个多层次的人工智能系统，其中一个网络对模式进行分类，另一个网络对其有效性进行定义。问题：如果我们可以在没有NS的情况下从数学上安排它们在架子上，为什么我们需要第一个NS？更有趣的是对另一个关于已形成模式的真相的问题的答案。
想给一个关键的提示!!!!!!??????我可以从你的眼睛里看到它 :-)好吧，我就举个例子吧。
如果我们认为任何模式都是既成事实（模式形成），那么它只给我们一个分析市场的时机。假设我们在形态形成后的下一个小节内开始进行自己的计算。这意味着，事实上，模式本身只给了我们应该进行计算的时间，但我们让NS来决定它是什么样的模式，什么条件导致了它的形成，以及它形成时发生了什么。如果我们考虑到任何模式只给我们提供了分析它的时机，那么拥有一套10个模式，我们将获得更多的分析条。没有必要为 "头肩顶 "训练一张网，为 "三个士兵 "训练另一张网，等等。但有必要告知国家统计局这是什么模式，而且做得非常简单。
因此，我们编写了一个指标，至少可以检测出5种买入和5种卖出的模式。当然，模式的未来顺序是不知道的，它们是混乱地出现的。相信它是什么样的模式，NS并不真正关心，它在形成任何模式的时刻看输入数据集，理论上，如果模式有巨大差异，输入数据集也会有巨大差异，以至于网络会看到它。但这对我们来说是不够的，我们想强行告诉网友这是个什么样的模式。这是很容易做到的。模式从-5到+5进行编码，输入值在数据转换的最早阶段被乘以。 乘法将数据沿Y轴分散，从而使一个图案的数据被乘以相同的数字，并移开一定的距离。因此，输入将取决于模式的类型。因此，我们最后有什么。
1.我们编写一个基本指标，定义模式，形成分析的信号。
2.定义输入数据集
确定NS的内部结构、训练方法、误差分析方法等。
4.在基本指标中，为输出变量做一个缓冲区。记住，我们不知道最近的模式的结果。缓冲区应该是这样的：未来的价值被归结为模式。当保存训练文件时，我们将知道所有模式的结果，除了最后一个。
5.我们制定了一种方法来检查所获得的模型的泛化能力。
就是这样......
当看到这个主题的标题时，我想到了另一个有趣的观点。
假设我们确实想用我们不知道的NS来寻找任意的模式。问题：如果我们不知道这些模式本身，那么知道什么？正确，我们确实知道对这些模式的反应，或者说我们必须选择在什么条件下寻找模式。 让我们来制定问题的表述。
找到5个蜡烛图的模式，之后在接下来的4个蜡烛图中，利率变化超过10%。当然，我们可以从历史中安排这种卸载，并生成一个训练文件，其中只包含每个案例的市场反应之前的5个柱状。然后，我们教网友在每个上升前的小节上显示1，在所有其他小节上显示-1。训练结束后，我们开始将最后5个柱子的数据逐个发送到网络的输入端，当网格显示为1时，那么输入端将包含与我们训练时完全相同的模式或与之相似的模式。
通过这种方法，我们将不知道它是什么样的模式，以及它的参数是什么。请注意，当这个数字是浮动的时候，我在输入上限制了5条，当在训练期间我们也调整输入窗口的时候，那么优化结果 的数量就会增加很多倍，当每条记录都是如此的独特，以至于在1000条记录中我们有1000个集群的时候，模式的数量就变成了保存数据的数量。IMHO!
我相信这种方法有它的位置，尽管它有某些局限性。至少它没有违反任何关键规则，如偷窥等。
无论是有老师还是没有老师--对同一事物的不同看法。必须知道情况和结果；如果没有这样的事情，你就不能教什么。而你不需要上帝的礼物与鸡蛋--也就是教导和分类。
在没有老师的情况下学习，你通常不知道结果，那么在这种情况下呢？
Mihail Marchukajtes:
迈克尔，神经网络的工作方式有点不同。它并不像你想的那样工作。
在没有老师的情况下学习，结果通常是未知的，那么这又是如何做到的呢？
只有分类。网络学会了区分各种情况（图像），但它不能知道在哪种情况下该做什么，也不知道该怎么称呼哪种图像。