Redes neuronales - página 27

[Sergey Golubev]

1. Redesneuronales de forma sencilla - MT5
2. Redes neuronales fáciles (Parte 2): Entrenamiento y prueba de la red - MT5
3. Redes neuronales fáciles (Parte 3): Redes convolucionales - MT5
4. Redes neuronales fáciles (Parte 4): Redesrecurrentes - MT5
5. Redes neuronales fáciles (Parte 5): Cálculos multihilo en OpenCL - MT5
6. Redes neuronales fáciles (Parte 6): Experimentando con la tasa de aprendizaje de las redes neuronales - MT5
7. Redes neuronales fáciles (Parte 7): Métodos de optimización adaptativa - MT5
   
8. Redes neuronales fáciles (Parte 8): Mecanismos de atención - MT5
9. Redes neuronales fáciles (Parte 9): Documentación del trabajo - MT5
10. Redes neuronales fáciles (Parte 10): Laatención multicabeza - MT5
    
11. Redes neuronales fáciles (Parte 11): Una visión de la GPT - MT5
    
12. Redes neuronales fáciles (Parte 12): Elabandono - MT5
    
13. Redes neuronales fáciles (Parte 13): Normalización por lotes - MT5
    

[Sergey Golubev]

Foro sobre comercio, sistemas de comercio automatizados y prueba de estrategias de comercio

Llevando las redes neuronales al siguiente nivel

Sergey Golubev, 2021.04.13 10:14

El aprendizaje automático en los sistemas de trading Grid y Martingale. ¿Apostarías por ello? - MT5

Hemos estado trabajando duro estudiando varios enfoques para utilizar el aprendizaje automático destinado a encontrar patrones en el mercado de divisas. Ya se sabe cómo entrenar modelos e implementarlos. Pero hay un gran número de enfoques para el trading, casi todos los cuales pueden mejorarse aplicando modernos algoritmos de aprendizaje automático. Uno de los algoritmos más populares es la rejilla y/o martingala. Antes de escribir este artículo, hice un pequeño análisis exploratorio, buscando la información pertinente en Internet. Sorprendentemente, este enfoque tiene poca o ninguna cobertura en la red mundial. Hice una pequeña encuesta entre los miembros de la comunidad sobre las perspectivas de una solución de este tipo, y la mayoría respondió que ni siquiera sabía cómo abordar este tema, pero la idea en sí misma sonaba interesante. Aunque la idea en sí parece bastante sencilla.

Vamos a realizar una serie de experimentos con dos objetivos. En primer lugar, intentaremos demostrar que no es tan difícil como podría parecer a primera vista. En segundo lugar, trataremos de averiguar si este enfoque es aplicable y eficaz.

[Sergey Golubev]

Las redes neuronales de forma sencilla (Parte 12): El abandono

Since the beginning of this series of articles, we have already made a big progress in studying various neural network models. But the learning process was always performed without our participation. At the same time, there is always a desire to somehow help the neural network to improve training results, which can also be referred to as the convergence of the neural network. In this article we will consider one of such methods entitled Dropout.

Contenido

• Introducción
• 1. Dropout: Un método para aumentar la convergencia de las redes neuronales
• 2. Implementación
• 2.1. Creación de una nueva clase para nuestro modelo
• 2.2. Feed-Forward
• 2.3. Feed-Backward
• 2.4. Métodos de carga y almacenamiento de clases
• 2.5. Cambios en las clases base de la red neuronal
• 3. Prueba
• Conclusión
• Referencias
• Programas utilizados en el artículo

[Sergey Golubev]

Redes neuronales de forma sencilla (Parte 13): Normalización por lotes

In the previous article, we started considering methods aimed at increasing the convergence of neural networks and got acquainted with the Dropout method, which is used to reduce the co-adaptation of features. Let us continue this topic and get acquainted with the methods of normalization.

Contenido

• Introducción
• 1. Requisitos previos teóricos para la normalización
• 2. Implementación
• 2.1. Creación de una nueva clase para nuestro modelo
• 2.2. Feed-Forward
• 2.3. Feed-Backward
• 2.4. Cambios en las clases base de la red neuronal
• 3. Probando
• Conclusión
• Referencias
• Programas utilizados en el artículo

[Sergey Golubev]

Foro sobre comercio, sistemas de comercio automatizados y prueba de estrategias de comercio

Llevando las redes neuronales al siguiente nivel

Sergey Golubev, 2021.10.20 11:21

Programación de una red neuronal profunda desde cero utilizando el lenguaje MQL

Desde que el aprendizaje automático ha ganado popularidad recientemente, muchos han oído hablar del Aprendizaje Profundo y desean saber cómo aplicarlo en el lenguaje MQL. He visto implementaciones simples de neuronas artificiales con funciones de activación, pero nada que implemente una verdadera Red Neural Profunda. En este artículo, te presentaré una Red Neural Profunda implementada en el lenguaje MQL con sus diferentes funciones de activación, como la función tangente hiperbólica para las capas ocultas y la función Softmax para la capa de salida. Nos moveremos desde el primer paso hasta el final para formar completamente la Red Neural Profunda.

[votija.63]

Hola Sergey Golubev: Me gustaría desearte felices fiestas, leo mucho tus artículos y referencias, ¿conoces algún programador que tenga la experiencia de hacer trabajos con neurales? Yo uso 3 indicadores, que cuando se alinean, es muy rentable !!, Muchas gracias por cualquier información, un abrazo!