"New Neural" est un projet de moteur de réseau neuronal Open Source pour la plateforme MetaTrader 5. - page 21
Vous manquez des opportunités de trading :
- Applications de trading gratuites
- Plus de 8 000 signaux à copier
- Actualités économiques pour explorer les marchés financiers
Inscription
Se connecter
Vous acceptez la politique du site Web et les conditions d'utilisation
Si vous n'avez pas de compte, veuillez vous inscrire
Les sentiments d'Andrey (TheExpert) sur la nature utopique de cette idée doivent être mis de côté jusqu'à ce que l'expert engagé, l'administrateur du projet et le consilium final des participants annoncent ce verdict. En attendant, le sujet reste sur la table.
Et par conséquent, vous devez ajuster vos objectifs afin d'atteindre au moins la similitude.
Mec, tu n'as pas l'air de me comprendre complètement. Je suis du côté terre-à-terre et pessimiste.
Oui, la bibliothèque devrait être universelle, comme un constructeur de Lego - vous pouvez assembler tout ce que vous voulez.
Donc, pas de problème ! Mais enseignez chacun d'eux séparément. Vous pouvez le faire pour la fonctionnalité, la formation coopérative est soit un enfer, soit un monstre maladroit qui passera une heure à apprendre XOR.
Oui, la bibliothèque doit être facile à utiliser, ce qui nécessite un expert en modèles. Facile à utiliser, à tel point qu'il pourrait être utilisé par un non-programmeur.
En théorie, il est possible de créer quelques modèles d'EA et d'automatiser leur alimentation en données pour simplifier les choses et pour les non-programmeurs. Mais les données doivent de toute façon être préparées par soi-même.
Oui, la bibliothèque doit disposer d'une interface universelle, tant en entrée qu'en sortie, afin que vous puissiez tout y connecter, des valeurs d'indicateurs à...
Elle est donc universelle ! Un éventail de dubles - quoi de plus universel ? L'important pour le comité est que les dimensions correspondent lors de l'accostage.
Parlons-nous de la même chose ? La fonction cible est celle qui calcule l'erreur de sortie du réseau.
....
C'est déjà universel ! Un tableau de doubles est beaucoup plus universel ? Et l'essentiel, dans un comité, est de s'assurer que les dimensions correspondent une fois à quai.
Qu'est-ce que tu veux dire ? Dans un souci de polyvalence, l'AG est juste ce qu'il faut :
L'algorithme du moteur est ainsi simplifié pour plus de clarté :
Si nous voulons ajouter une grille MLP, nous demandons combien de poids elle aura si nous entrons 20 valeurs, 10 neurones dans la première couche cachée, 10 dans la deuxième et 1 dans la sortie ?
Il nous dit que 244.
Nous voulons ajouter une autre grille (quelle qu'elle soit), nous demandons donc à nouveau à ..... et il nous répond 542.
donc 244+542=786.
Nous voulons aussi optimiser SL et TP et nous voulons ajouter deux paramètres supplémentaires, donc 786+2=788.
nous voulons aussi optimiser macdi, il a deux paramètres, donc 788+2=790.
OK, nous redimensionnons le tableau à 790.
et voilà, nous allons optimiser 790 paramètres dans GA.
et ensuite vous pouvez ajouter des types de réseaux et d'autres choses autant que vous le pouvez, en respectant les normes d'interface unifiée (développées à l'avance).
quelque chose comme ça.
Faisons un moteur de graphes, créons un réseau universel (quelques variantes) et invitons ensuite un expert à l'interpréter.
Nous pouvons rendre les choses encore plus simples.
Dans cette situation, nous allons du particulier au général, avec une tentative d'abstraction vers des modèles universels.
1. Dessiner (sur papier + algorithme verbal du modèle mathématique) des réseaux que nous pouvons mettre en œuvre (topologie et méthodes d'entraînement pour ceux-ci).
2. Trouvez des points d'ancrage communs dans les modèles dessinés pour créer des classes de moteurs abstraits.
Nous devons examiner d'autres modèles pour rassembler les éléments de base de cette manière.
Cette abstraction est nécessairement vue sous l'angle des concepts du langage humain ("créer", "apprendre", "corriger un bug"). Cela permettra tout d'abord de rendre le modèle clair pour l'utilisateur commun. Deuxièmement, ces fonctions-notions peuvent facilement être étendues à de nouvelles topologies et méthodes.
Nous pouvons rendre les choses encore plus simples.
Dans cette situation, nous allons du particulier au général, avec une tentative d'abstraction vers des modèles universels.
1. Dessinez (sur papier + modèle mathématique d'algorithme verbal) des réseaux que nous pouvons mettre en œuvre (topologie et méthodes de formation).
2. Trouvez des points d'ancrage communs dans les modèles dessinés pour créer des classes de moteurs abstraits.
Nous devons examiner d'autres modèles pour rassembler les éléments de base de cette manière.
Cette abstraction est nécessairement vue sous l'angle des concepts du langage humain ("créer", "apprendre", "corriger un bug"). Cela permettra tout d'abord de rendre le modèle clair pour l'utilisateur commun. Deuxièmement, ces fonctions et notions peuvent être facilement étendues à de nouvelles topologies et méthodes.
J'ai dessiné un neurone universel à la page 12, mais il manque quelque chose.
A savoir les cellules de réception de la mémoire dans l'activateur.
Mais je ne me prononcerai pas sur les méthodes d'entraînement. Laissez les mathématiciens s'en occuper :o)
Un autre imho. Il est peu probable que vous trouviez à l'extérieur un consultant spécialisé répondant à vos besoins. Si vous disposez d'un budget, quel qu'il soit, il est plus efficace de le répartir entre vous à la fin du projet, de manière égale ou non, sur la base d'une évaluation subjective des méthaquotas.
Attendez une minute avec le budget, j'ai personnellement choisi le premier élément du sondage, et je ne râle pas ici pour le métal.
Et pour ce qui est d'un outsider, cela dépend d'où l'on regarde, au moins ce devrait être un mathématicien de formation.
Pas près des mathématiques, mais un mathématicien.
Attendez une minute avec le budget, j'ai personnellement choisi le premier point de l'enquête, et je ne sèche pas mon cerveau ici pour le métal.
Et pour ce qui est d'un outsider, cela dépend de l'endroit où l'on regarde, au moins ce devrait être un mathématicien de formation.
Pas près de matematicheskoy lay, à savoir le mathématicien.
sergeev:
2. Trouvez des points d'ancrage communs dans les modèles dessinés pour créer des classes de moteurs abstraits.
Au fait, Vladimir, voulez-vous exprimer votre point de vue et vos mailles plus largement ?
A mon avis, les grilles se divisent en grilles de modélisation et de classification. Les modèles tentent de prédire le prochain prix sur la base de certaines données d'entrée, par exemple les prix passés. De tels modèles de réseaux ne peuvent être appliqués au marché, à mon avis. Les réseaux classificateurs essaient de classer les données d'entrée, c'est-à-dire Achat/Vente/Vente ou tendance/plat et ou autre chose. C'est ce que je trouve intéressant. Le réseau de classification le plus prometteur à mon avis est le SVM avec une transformation correcte des données d'entrée. Je dirais que le réseau lui-même n'est pas aussi important que la transformation des données d'entrée, c'est-à-dire qu'au lieu du SVM, on peut utiliser autre chose, comme le RBN. Ces deux dernières années, j'ai travaillé sur des réseaux basés sur le cerveau (à ce propos, MLP et la plupart des autres réseaux n'ont rien en commun avec le cerveau). Le cerveau possède plusieurs couches pour la transformation des données d'entrée (son, image, etc.) avec un moteur de classification comme le VSM. La transformation des données dans le cerveau se fait, comme d'habitude, par filtrage et réduction de la dimensionnalité. Les caractéristiques du filtre sont entraînées sans professeur, à l'aide de l'apprentissage compétitif de Hebbian ou d'autres méthodes d'auto-apprentissage. La classification des données filtrées se fait avec un enseignant (feedback). Je vais écrire plus de détails plus tard.
MLP
MLP généralisé
Réseaux modulaires
Cartes auto-organisatrices
Gaz neurologique
Apprentissage compétitif - prometteur
Hebbian - prometteur
FFCPA
Réseaux à base radiale
LSTM
Récurrent décalé dans le temps
Partiellement récurrent
Réseaux d'ondelettes
Entièrement récurrent
Neuro-fuzzy
Machines à vecteurs de support - prometteur
Architectures personnalisées - prometteur