Diskussion zum Artikel "Neuronale Netzwerke der dritten Generation: Tiefe Netzwerke"
Vielen Dank für diesen Artikel. "Es ist eine Menge auf einmal zu verarbeiten.
Frage an den Autor. Ist bei der Konstruktion eines Expert Advisors die Anzahl der einzustellenden Koeffizienten mit der Logik des Multiplizierens und Addierens auch hier aus dem Rahmen gefallen?
Vielen Dank für diesen Artikel. "Es ist eine Menge auf einmal zu verarbeiten.
Frage an den Autor. Ist bei der Konstruktion eines Expert Advisors die Anzahl der Koeffizienten, die mit der Logik des Multiplizierens und Aufaddierens angepasst werden müssen, auch hier außerhalb der Skala?
Ich verstehe die Frage nicht. Wovon sprechen Sie?
HERZLICHEN GLÜCKWUNSCH!
Ein sehr informativer und hochwertiger Artikel!
HERZLICHEN GLÜCKWUNSCH!
Sehr informativer und hochwertiger Artikel!
Ich grüße Sie.
Wir können dieses Beispiel verwenden, um das Clustern von Eingaben und die Zuordnung von Clustern zum Zielcluster sowie andere Klassifizierungsfragen zu verstehen.
Ich werde die Berechnung abschließen und sie veröffentlichen.
Viel Erfolg!
Grüße.
Wir können dieses Beispiel verwenden, um das Clustern von Eingaben und die Zuordnung von Clustern zum Ziel sowie andere Klassifizierungsfragen zu verstehen.
Ich werde die Berechnung abschließen und sie veröffentlichen.
Viel Glück!
vlad1949:
...
- Indikator i_SAE.mq4, in den Ordner ~/MQL4/Indikatoren/ legen
- Expert Advisor e_SAE.mq4, in den Ordner ~/MQL4/Experts/.
- Bibliothek mt4Rb7.dll, in den Ordner ~/MQL4/Libraries/ verschieben.
- Header-Datei mt4Rb7.mqh, in den Ordner ~/MQL4/Include/ legen. Die Bibliothek und die Header-Datei wurden von dem freundlichen Bernd Kreuss entwickelt und zur Verfügung gestellt. Im Namen habe ich den Index der letzten Änderung (b7) hinzugefügt. Wenn es viele Versionen (wie meine) mit den gleichen Namen gibt, gibt es Pannen, die sehr viel Zeit brauchen, um sie zu erkennen.
...
Es ist unklar, warum MQL4-Entwicklungen in der Kategorie "Artikel über die Programmierung in MQL5" veröffentlicht werden sollen?
Die Frage ist nicht an mich gerichtet. Ist das alles, was Sie über den Artikel sagen wollten?
Ich bin erstaunt.
Viel Glück
Sehr interessant. Ich würde gerne die Optionen vergleichen. Habe versucht, das Clustering herauszufinden - einfach eine erschreckende Menge an Tools.
Ja, das stimmt. Aber hier geht es nicht so sehr um das Clustering selbst, sondern um die Bestimmung der optimalen Anzahl von Clustern, in die wir unsere Menge unterteilen können (sollten).
Das ist eine Menge Schreibarbeit. Vielleicht werde ich es morgen fertigstellen.
Viel Glück!
- Freie Handelsapplikationen
- Über 8.000 Signale zum Kopieren
- Wirtschaftsnachrichten für die Lage an den Finanzmärkte
Sie stimmen der Website-Richtlinie und den Nutzungsbedingungen zu.
Neuer Artikel Neuronale Netzwerke der dritten Generation: Tiefe Netzwerke :
In diesem Beitrag widmen wir uns einer neuen und vielversprechenden Richtung des maschinellen Lernens: dem tiefen Lernen oder, genauer gesagt, tiefen neuronalen Netzwerken. Wir sehen uns kurz noch einmal die zweite Generation der neuronalen Netzwerke, die Architektur ihrer Verknüpfungen und die wichtigsten Typen, Methoden und Regeln des Einlernens sowie ihre wichtigsten Unzulänglichkeiten an und gehen dann zur Geschichte der Entwicklung der dritten Generation der neuronalen Netzwerke, ihren wichtigsten Typen, Besonderheiten und Einlernmethoden über. Wir führen praktische Experimente zum Aufbau und zum Einlernen eines tiefen neuronalen Netzwerks durch, eingeleitet durch die Gewichte eines gestackten Autoencoders mit realen Daten. Alle Phasen von der Auswahl der Eingabedaten bis zur Ableitung von Messwerten werden detailliert besprochen. Der letzte Teil des Beitrags liefert eine Softwareumsetzung eines tiefen neuronalen Netzwerks in einem Expert Advisor mit eingebautem Indikator auf Basis von MQL4/R.
1.2.1. Mehrlagige voll verknüpfte Feedforward-Netzwerke (Multilayer Perceptron, MLP)
Abb. 1. Struktur eines mehrlagigen neuronalen Netzwerks
1.2.2. Jordan-Netze sind teilweise rekurrente Netzwerke und ähneln Elman-Netzen.
Sie können als Feedforward-Netzwerke mit zusätzlichen Kontextneuronen in der Eingangslage behandelt werden.
Diese Kontextneuronen werden durch sich selbst (direktes Feedback) und die Eingangsneuronen gespeist. Kontextneuronen bewahren den aktuellen Zustand des Netzwerks. In einem Jordan-Netz muss die Menge der Kontext- und Eingangsneuronen gleich sein.
Abb. 2. Struktur eines Jordan-Netzes
Autor: Vladimir Perervenko