ニューラルネットワークをどのように扱うのですか？ - ページ 4

新しいコメント
 
一人の人間として、本当にありがとうございました
 
alexjou:

- 層数は入力ベクトルの次元数によって決まる。つまり、ワークアレイを定義し、初期化・読み込みを行うことでネットワークが自動生成される。

- 隠れ層のニューロン数は、層数Nの増加とともに1/(2^N)（「結晶を解く」）または1/N（「結晶を記憶する」）の法則に従って漸減する。


どんな関数でも3層で近似できることが証明されたようです。もっと多いと思い込んでいるようですね。どのような配慮からですか？


NSとの親和性という点では、私の方がかなり先かもしれませんが、全体的に私の考えに近いものがあります。コミュニケーションをとるのも面白いかもしれませんね。ここでメールアドレスを教えていただけますか？または、likh on yandex ruに書き込んでください。

 
ここでの問題は、少し違います。

関数近似のことではありません。私は射影ネットワークを扱う必要がなかったので、あなたの言われた証明について何も知りませんが、一般的な考察では、任意の関数の近似では、ネットワークの「層化」よりも、基本関数の種類と基底の次元がはるかに大きな役割を果たすと思われます。

ネットワークの構成を指定したのは、おそらく生物の脳の作り方であり、入力された情報を適応的に記憶し分類することで「学習」していく方法だからです。(生物学者や医者仲間に死ぬほどしつこく質問したが、「なぜ必要なのか」「切って自分でやってみろ」以外にはっきりしたことは言えなかった)。この場合、「先生と学ぶ」のか「先生と学ばない」のか、はっきりしない（私は昔から、なぜかこのような分け方は人為的すぎると思っていた）ので、目盛りを微調整するためにオイアのルールを選択した。興味深いことに、目盛りを調整したある瞬間から、このようなネットワークは予測不可能になり、言い換えれば「振る舞い」を始めるのです。

つまり、ネットワークとその規模を調整する方法は、ほとんど発見的な考察から作られているのである。結局のところ、私たち全員が打ち負かそうとしている取引所では、そのような配慮は最後の役割とは程遠いものなのだ。Email: alex-jou Hund rambler Punkt ru (ただ、とても大きなお願いです。スパムを避けるため、連絡先リストには追加しないでください。一般的に、そして皆さんにお願いしたいのは、このサービスの有用性はほぼゼロであり、被害は甚大であるということです）。
 
Candid:

どんな関数でも3層で近似できることが証明されたようです。もっと多いと思い込んでいるようですね。どのような配慮からですか？

この証明では、言及しているシグモイドは含まれていない。したがって、どんな連続関数も3層パーセプトロンで近似することが理論的に可能であるに過ぎない。応用分野では、残念ながらもっと悪い結果になっています。
 
PolyAnalystの パッケージについてご存知の方はいらっしゃいますか？
 
sayfuji:
私が質問したいのは、これです。ニューラルネットワークをどのように扱うか：mql4の手段（同じArtifical Intelligence）だけを用いて実装するか、MatLabのようなプログラムを用いるか、特別なニューロパック（Neuro Shell Day Trader, NeuroSolutionsなど）を用いて、EAのコードにdllを添付して使用するかです。どのようなアプローチで、（収益性は別として）他と比較してどのような優位性があるのでしょうか？

それぞれのアプローチにメリットとデメリットがあります。

1.自分でニューラルネットワークを開発する場合、もちろんソースコードを取ってコンパイルしただけなら話は別ですが、ブラックボックスを相手にしているわけではなく、どこかにタスクに特化した何かを追加しているわけです。

2.プロプライエタリなグリッドを購入すると、ブラックボックスを手に入れることになりますが、サポートや既製のソリューション、独自の入力ホワイトナーも一緒に手に入れることになります。


簡単に言えば、例えば万能型の時系列予測 パッケージを購入すれば、ユーザーは何が入力されているのかを考える必要がないのです。なぜなら、パッケージでは入力がそのまま時系列になっているからです。そして、パッケージ自体では、ネットワークの入力に供給するための予備的な準備、つまりグリッドの学習開始前に、ホワイトニングが行われることになります。

1.入力データをより予測しやすく、ノイズを少なくするためのフィルタリングと平滑化

2.ノーマライゼーション

3.重要度の低い入力のフィルタリングと除去

4.入力間の相関を除去する

5.入力データからリニアリティを排除する

6.正規化されたデータに対する適切なシグモイドの選択

などなど。


その後、ネットワークの学習が行われる。そして、出力データを復元する。例えば、入力側でリニアリティを消した場合、パッケージは出力側でリニアリティを回復させます。入力のゴミが、出力の甘さに変わる。ブラックボックスを扱っているので、ニューラルネットワークの代わりに遺伝的アルゴリズムや回帰法などの外挿法を使うことも十分あり得ます。

-+++------------------------------------------------------------------------------------------------------------------------------------------+++-

- ですから、これからニューラルネットワークに手を出すけど、「正規化」という言葉がよくわからないというユーザーには、時系列（相場）の情報だけでなく、ラグサイズも得られる時系列予測用の汎用パッケージを入手する方がよいでしょう。

- ニューラルネットワークのアーキテクチャの特徴を知っている、つまり利点と欠点を研究している、より上級のユーザーは、より専門的なパッケージを購入する必要があります。このようなパッケージは、与えられたタスクに適したアーキテクチャを自分で見つけなければならないので、手探りには向いていません。また、入力に何かを加えるような「科学的」な方法は、出力もまたゴミだらけになる可能性が高いので、ここでは役に立ちません。

- それ以外の部分、つまりゼロから書かれたソースデータからネットワークを構築することは、ネットワークを学習する前の入力データの準備や、学習後の出力のデータ回収に実際に経験がある人にしか向いていません。

つまり、ニューラルネットワークのパッケージ選択原理は、「ウンコができないなら、肛門を虐めてはいけない」という卑猥なものなのだ。もし、あなたがクールなパッケージを購入し、その使用方法について、付属のマニュアルの助けを借りて自分で答えることができない場合、それはたった一つのことを意味します：そのように歩かないこと、つまり、より多くの愚か者のためにクールではないものを購入することです。

 

ニューラルネットワークの問題は、ニューラルネットワークを使わない他のTCと同じです。ニューラルネットワークは、任意の時間間隔（トレーニングまたは最適化）で必ずパターンを見つけ、その後、同じ質問があります - このパターンは将来的に機能する（利益をもたらす）のでしょうか？

 

Reshetov:

入力のクソが、出力のお菓子に変わる。

決して

私たちはブラックボックスを扱っているので、独自パッケージのニューラルネットワークの代わりに、遺伝的アルゴリズムや回帰法などの外挿法が使われる可能性は十分にありますね。

GAとNSやリグレッションとの関連は？

NSはメソッドです。

GAとは手法の一つです。

"NSの代わりにGAを使う "というのは、おかしな話ですね。"心臓を排気ガス分析装置に置き換える "ようなものです。

ごめんなさい（苦笑）。

 
LeoV:

そして、「このパターンは、将来も通用する（利益をもたらす）のか？

仮に、純粋に仮定として、この問いに「いいえ」と答える方法が見つかる、あるいはすでに見つかっているとしよう。さらに、任意のTCに対してここからどのような結論が導き出されるのでしょうか。

トレーダーが取引を停止する？ただ、気になるのは

ZS. "No "であることを確認する信頼できる情報をトレーダーは買うのだろうか？それとも、その答えを知らない方がいいのだろうか？旋律

 
joo:

純粋に仮定として、この質問に「いいえ」と答える方法が見つかる、あるいは見つかっていると仮定します。さらに、任意のTCに対してここからどのような結論が導き出されるのでしょうか。

トレーダーが取引を停止する？ただ、気になるのは

ZS. "No "であることを確認する信頼できる情報をトレーダーは買うのだろうか？それとも、その答えを知らない方がいいのだろうか。(何気にレトリック)。

どちらかといえば、純粋なスコラ学。
12345678
新しいコメント