Reti neurali - pagina 27

[Sergey Golubev]

1. Reti neurali semplificate - MT5
2. Reti neurali facili (parte 2): Formazione e test della rete - MT5
3. Reti neurali facili (Parte 3): Reti convoluzionali - MT5
4. Reti neurali facili (Parte 4): Reti ricorrenti - MT5
5. Reti neurali semplificate (Parte 5): Calcoli multithreaded in OpenCL - MT5
6. Reti neurali facili (Parte 6): Sperimentare con il tasso di apprendimento delle reti neurali - MT5
7. Reti neurali semplificate (Parte 7): Metodi di ottimizzazione adattivi - MT5
   
8. Reti neurali semplificate (Parte 8): Meccanismi di attenzione - MT5
9. Reti neurali semplificate (Parte 9): Documentare il lavoro - MT5
10. Reti neurali semplificate (Parte 10): Attenzione a più teste - MT5
    
11. Reti neurali semplificate (Parte 11): Un approccio al GPT - MT5
    
12. Reti neurali semplificate (Parte 12): Dropout - MT5
    
13. Reti neurali semplificate (Parte 13): Normalizzazione dei lotti - MT5
    

[Sergey Golubev]

Forum sul trading, sistemi di trading automatizzati e strategie di trading di prova

Portare le reti neurali al livello successivo

Sergey Golubev, 2021.04.13 10:14

L'apprendimento automatico nei sistemi di trading Grid e Martingale. Ci scommetteresti? - MT5

Abbiamo lavorato duramente studiando vari approcci all'uso del machine learning per trovare modelli nel mercato forex. Sapete già come addestrare i modelli e implementarli. Ma ci sono un gran numero di approcci al trading, quasi ognuno dei quali può essere migliorato applicando i moderni algoritmi di apprendimento automatico. Uno degli algoritmi più popolari è la griglia e/o martingala. Prima di scrivere questo articolo, ho fatto una piccola analisi esplorativa, cercando le informazioni pertinenti su Internet. Sorprendentemente, questo approccio ha poca o nessuna copertura nella rete globale. Ho fatto un piccolo sondaggio tra i membri della comunità per quanto riguarda le prospettive di una tale soluzione, e la maggioranza ha risposto che non sapeva nemmeno come affrontare questo argomento, ma l'idea in sé sembrava interessante. Anche se l'idea stessa sembra abbastanza semplice.

Conduciamo una serie di esperimenti con due scopi. In primo luogo, cercheremo di dimostrare che non è così difficile come potrebbe sembrare a prima vista. In secondo luogo, cercheremo di scoprire se questo approccio è applicabile ed efficace.

[Sergey Golubev]

Reti neurali rese facili (parte 12): Dropout

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.

Contenuti

• Introduzione
• 1. Eliminazione: Un metodo per aumentare la convergenza delle reti neurali
• 2. Implementazione
• 2.1. Creare una nuova classe per il nostro modello
• 2.2. Feed-Forward
• 2.3. Feed-Backward
• 2.4. Metodi di salvataggio e caricamento delle classi
• 2.5. Modifiche alle classi base della rete neurale
• 3. 3. Test
• Conclusione
• Riferimenti
• Programmi usati nell'articolo

[Sergey Golubev]

Reti neurali rese facili (parte 13): Normalizzazione dei lotti

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.

Contenuto

• Introduzione
• 1. Prerequisiti teorici per la normalizzazione
• 2. Implementazione
• 2.1. Creazione di una nuova classe per il nostro modello
• 2.2. Feed-Forward
• 2.3. Feed-Backward
• 2.4. Modifiche nelle classi di base della rete neurale
• 3. 4. Test su
• 4. Conclusione
• Riferimenti
• Programmi usati nell'articolo

[Sergey Golubev]

Forum sul trading, sistemi di trading automatizzati e strategie di trading di prova

Portare le reti neurali al livello successivo

Sergey Golubev, 2021.10.20 11:21

Programmare una rete neurale profonda da zero usando il linguaggio MQL

Dal momento che l'apprendimento automatico ha recentemente guadagnato popolarità, molti hanno sentito parlare di Deep Learning e desiderano sapere come applicarlo nel linguaggio MQL. Ho visto semplici implementazioni di neuroni artificiali con funzioni di attivazione, ma niente che implementi una vera rete neurale profonda. In questo articolo, vi presenterò una Rete Neurale Profonda implementata nel linguaggio MQL con le sue diverse funzioni di attivazione, come la funzione di tangente iperbolica per gli strati nascosti e la funzione Softmax per lo strato di uscita. Ci muoveremo dal primo passo fino alla fine per formare completamente la Rete Neurale Profonda.

[votija.63]

Ciao Sergey Golubev: vorrei augurarti buone vacanze, ho letto i tuoi articoli e riferimenti molto, conosci qualche programmatore che ha l'esperienza di fare lavoro con i neuroni? Io uso 3 indicatori, che quando allineati, è molto redditizio!!, Grazie mille per qualsiasi informazione, un abbraccio!