"New Neural" es un proyecto de motor de red neuronal de código abierto para la plataforma MetaTrader 5. - página 21
Está perdiendo oportunidades comerciales:
- Aplicaciones de trading gratuitas
- 8 000+ señales para copiar
- Noticias económicas para analizar los mercados financieros
Registro
Entrada
Usted acepta la política del sitio web y las condiciones de uso
Si no tiene cuenta de usuario, regístrese
Los sentimientos de Andrey (TheExpert) sobre el carácter utópico de esta idea deben dejarse de lado hasta que el experto contratado, el administrador del proyecto y el consilium final de participantes anuncien este veredicto. Mientras tanto, el tema sigue sobre la mesa.
Y como consecuencia, tienes que ajustar tus objetivos para conseguir al menos una similitud.
Hombre, parece que no me entiendes del todo. Estoy en el lado realista y pesimista.
Sí, la biblioteca debería ser universal, como un juego de Lego: puedes montar lo que quieras.
Así que, ¡no hay problema! Pero enseñe a cada uno por separado. Se puede hacer por funcionalidad, el entrenamiento cooperativo es un infierno o un monstruo torpe que pasará una hora para aprender XOR.
Sí, la biblioteca debe ser fácil de usar, lo que requiere un experto en plantillas. Fácil de usar para que pueda ser utilizado por un no-programador.
En teoría, es posible crear un par de plantillas de EAs y automatizar su alimentación de datos para simplificar y no programar. Pero los datos deben ser preparados por uno mismo de todos modos.
Sí, la biblioteca debe tener una interfaz universal tanto en la entrada como en la salida, para que puedas conectar todo a ella, desde los valores del indicador...
Así que es universal. Un abanico de dubles: ¿cuánto más universal? Lo importante en la comisión es que las dimensiones coincidan al atracar.
¿Estamos hablando de lo mismo? La función objetivo es la que calcula el error de salida de la red.
....
Ya es universal. Un conjunto de dobles es mucho más universal... Y lo principal en una comisión es asegurarse de que las dimensiones coinciden cuando se acopla.
¿Qué quieres decir? En aras de la versatilidad, el GA es el adecuado:
El algoritmo del motor está tan simplificado para que sea más claro:
Si queremos añadir una red MLP, nos preguntamos ¿cuántos pesos tendrá si introducimos 20 valores, 10 neuronas en la primera capa oculta, 10 en la segunda y 1 en la salida?
Nos dice que 244.
Queremos añadir otra cuadrícula (la que sea), así que volvemos a preguntar a ..... y nos dice que 542.
así que 244+542=786.
También queremos optimizar el SL y el TP y queremos añadir dos parámetros más, así que 786+2=788.
también queremos optimizar macdi, tiene dos parámetros, así que 788+2=790.
Bien, redimensionamos la matriz a 790.
y ¡voilá! Optimizaremos 790 parámetros en GA.
y luego puedes añadir tipos de red y otras cosas en la medida de lo posible, manteniendo los estándares de interfaz unificados (desarrollados de antemano).
algo así.
Hagamos un motor gráfico, hagamos un grafo universal (un par de variantes) y luego invitemos a un experto a interpretarlo.
Podemos hacerlo aún más sencillo.
En esta situación vamos de lo particular a lo general, con un intento de abstracción a modelos universales.
1. Dibujar (en papel + algoritmo verbal del modelo matemático) las redes que podemos implementar (topología y métodos de entrenamiento de las mismas).
2. Encuentra puntos de acoplamiento comunes en los modelos dibujados para crear clases abstractas de motores.
Tenemos que buscar más modelos para sacar los elementos básicos de esta manera.
Esta abstracción se ve necesariamente desde el ángulo de los conceptos del lenguaje humano ("crear", "aprender", "arreglar un error"). De este modo, en primer lugar, el modelo quedará claro para el usuario común. En segundo lugar, estas funciones-nociones pueden ampliarse fácilmente a nuevas topologías y métodos.
Podemos hacerlo aún más sencillo.
En esta situación, vamos de lo particular a lo general, con un intento de abstracción a modelos universales.
1. Dibujar (en papel + algoritmo verbal matmodelo) redes que podamos implementar (topología y métodos de entrenamiento).
2. Encuentra puntos de acoplamiento comunes en los modelos dibujados para crear clases abstractas de motores.
Tenemos que buscar más modelos para sacar los elementos básicos de esta manera.
Esta abstracción se ve necesariamente desde el ángulo de los conceptos del lenguaje humano ("crear", "aprender", "arreglar un error"). De este modo, en primer lugar, el modelo quedará claro para el usuario común. En segundo lugar, estas funciones y nociones pueden ampliarse fácilmente a nuevas topologías y métodos.
He dibujado una neurona universal en la página 12, pero falta algo.
A saber, las células de recepción de la memoria en el activador.
Pero paso de los métodos de formación. Que los matemáticos se encarguen de ello :o)
Otro imho. Es poco probable que encuentre un consultor especializado en el exterior que cumpla sus requisitos. Si tienes un presupuesto, sea del tipo que sea, es más efectivo dividirlo entre vosotros al final del proyecto, a partes iguales o no, basándose en una valoración subjetiva de las metacotas.
Un momento con el presupuesto, yo personalmente elegí el primer punto de la encuesta, y no me estoy quejando aquí por el metal.
Y sobre un externo, depende de dónde se mire, al menos debería ser un matemático de formación.
No cerca de las matemáticas, sino de un matemático.
Un momento con el presupuesto, yo personalmente elegí el primer punto de la encuesta, y no me estoy secando el cerebro aquí por el metal.
Y sobre un externo, depende de dónde se mire, al menos debería ser un matemático por formación.
No cerca de matematicheskoy laicos, a saber, el matemático.
sargazo:
2. Encuentra puntos de acoplamiento comunes en los modelos dibujados para crear clases abstractas de motores.
Por cierto, Vladimir, ¿quieres expresar más ampliamente tu opinión y tus mallas?
En mi opinión, las parrillas se dividen en parrillas de modelado y de clasificación. Las de modelización tratan de predecir el próximo precio a partir de algunos datos de entrada, por ejemplo, los precios anteriores. Estos modelos de redes no pueden aplicarse al mercado, según mi opinión. Las redes clasificadoras tratan de clasificar los datos de entrada, es decir, comprar/vender/ mantener o tendencia/plano y o algo más. Esto es lo que me parece interesante. En mi opinión, la red clasificadora más prometedora es la SVM con una transformación correcta de los datos de entrada. Yo diría que la red en sí no es tan importante como la transformación de los datos de entrada, es decir, en lugar de SVM podemos usar otra cosa, como RBN. En los últimos dos años he estado trabajando en redes basadas en el cerebro (por cierto, MLP y la mayoría de las otras redes no tienen nada en común con el cerebro). El cerebro tiene varias capas para la transformación de los datos de entrada (sonido, imagen, etc.) con algún motor de clasificación como el VSM. La transformación de los datos en el cerebro se realiza, como es habitual, mediante el filtrado y la reducción de la dimensionalidad. Las características del filtro se entrenan sin un profesor, utilizando el aprendizaje competitivo Hebbiano u otros métodos de autoaprendizaje. La clasificación de los datos filtrados se realiza con un profesor (feedback). Escribiré más detalles más adelante.
MLP
MLP generalizado
Redes modulares
Mapas autoorganizativos
Gas neuronal
Aprendizaje competitivo - prometedor
Hebbiano - prometedor
FFCPA
Redes de base radial
LSTM
Recurrente con retardo temporal
Parcialmente recurrente
Redes wavelet
Totalmente recurrente
Neurofuzzy
Máquinas de vectores de apoyo - prometedoras
Arquitecturas personalizadas - prometedoras