記事「データサイエンスと機械学習—ニューラルネットワーク（第01回）：フィードフォワードニューラルネットワークの解明」についてのディスカッション

[MetaQuotes]

新しい記事「データサイエンスと機械学習—ニューラルネットワーク（第01回）：フィードフォワードニューラルネットワークの解明」はパブリッシュされました:

ニューラルネットワークの背後にある操作全体は、多くの人に気に入られていますが、ほとんどの人に理解されていません。この記事では、フィードフォワード型の多層知覚の密室の背後にあるすべてを平易な言葉で説明しようとします。

双曲正接関数です。

次の式で与えられます。

そのグラフは次のようになります。

作者: Omega J Msigwa

[Guilherme Mendonca]

こんにちは、

とても良い記事ですね。よくやった！

私はニューラルネットワークについて 読んできましたが、MT5の最適化システム自体と比較した場合、ニューラルネットワークがどのような利点や違いがあるのか、今のところまだ分かっていません。

例えばMACDとATRを使用したストラテジーがある場合、MT5の最適化システムで最適なパラメータを見つけるためにそれを「訓練」することができます。また、インジケーターやその他のデータにウェイトシステムを含めることもできます。

どちらも、過去に最適なパラメータや「重み」を検索し、将来適用することができます。

多分、私は間違っていて、全体のアイデアを取得していません。

説明していただけますか？あるいは例を挙げてください。

[Omega J Msigwa]

Guilherme Mendonca #:

...

説明してもらえますか？あるいは、いくつか例を挙げていただけますか？

ストラテジー・テスターでの最適化とニューラルネットワークのパラメーターの最適化の違いはゴールです。ストラテジー・テスターでは、最も収益性の高い出力、あるいは少なくとも私たちが望む取引結果を提供するパラメーターに焦点を当てる傾向があります。

ウェイトとバイアスをニューラルネットベースのシステムの入力パラメータとすることを好む人もいます（大雑把に言えばフィードフォワード）が、ストラテジーテスターを使った最適化は基本的に最良の結果のランダムな値を見つけることだと思います（最適なものを見つけるというのは運次第のように聞こえます）。

[Guilherme Mendonca]

Omega J Msigwa #:

ストラテジーテスター上での最適化と、ニューラルネットワークのパラメーターの最適化との違いは、ゴールである。ストラテジーテスター上では、最も収益性の高い出力、あるいは少なくとも我々が望む取引結果を提供するパラメーターに焦点を当てる傾向があるが、これは必ずしもニューラルネットワークがそのような結果をもたらす優れたモデルであることを意味しない。

ウェイトとバイアスをニューラルネットベースのシステムの入力パラメータとすることを好む人もいます（大雑把に言えばフィードフォワード）が、ストラテジーテスターを使った最適化は基本的に最良の結果のランダムな値を見つけることだと思います（最適なものを見つけるというのは運次第のように聞こえます）。

ご回答ありがとうございます。

ご指摘の点は理解しました。

[Xiaolei Liu]

なぜ最初の部分から始めたのか？

古い記事です：

データサイエンスと機械学習（パート01）：線形回帰

https://www.mql5.com/ja/articles/10459

[Omega J Msigwa]

Xiaolei Liu #:

なぜ最初のパートから始めたのですか？

古い記事

データサイエンスと機械学習（パート01）：線形回帰

https://www.mql5.com/ja/articles/10459

どういう意味ですか？

[Liliya Yunusova]

Xiaolei Liu #:

なぜ最初のパートから始めたのですか？

古い記事

データサイエンスと機械学習（パート01）：線形回帰

https://www.mql5.com/ja/articles/10459

Neural Networksのサブシリーズの最初の部分だと思う。第2弾を待っている。