Kazam: HONN에 대한 좋은 정보 소스를 원하시면 "경제 및 비즈니스를 위한 인공 고차 신경망" 책을 읽으십시오. 새책이라 좋은 정보가 많이 있습니다. 가격은 킬러(180$)이지만 pdf에서 찾을 수 있습니다. .
그게 내가 말했던 것, 좋은 것입니다. 나는 그것을 통해 약간의 방법을 얻었고 이미 나에게 많은 아이디어를 주었다. 어쨌든 그것들을 구현하는 것은 저에게 조금 더 까다롭습니다. 저는 이 코딩 장애에 대해 약간 신경이 쓰이는 사람입니다...
추천해 주셔서 감사합니다. 한 번 살펴보고 ... 운이 좋으면 uni 라이브러리에서 일부를 찾을 수 있습니다. 그들은 자체 라이브러리가 있는 새로운 인공 지능 건물을 방금 지었으므로 거기에 무언가가 있을 수 있습니다. 그렇지 않으면 그냥 다운로드 ...
아, 저는 10년 데이터를 각각 2/3과 1/3의 두 청크로 나누고, 처음 2/3에서 네트워크를 훈련했습니다(2/3을 훈련, 테스트 및 CV 청크로 분할 포함). 그런 다음 결과 네트워크를 테스트했습니다. 나머지 1/3이고 정확한 것으로 유지되는 것 같았습니다. 약간의 정확도 손실이 있었지만 여전히 0.9995 회귀선이었습니다. 여전히 이전 훈련 데이터에 대한 과적합으로 설명될 수 있습니까?
나는 ENN을 사용하여 Forex를 거래하지 않습니다. 나는 곧 시작할 수 있지만 아마도 나는 가격을 예측하려고 하기 보다는 롱/숏 트레이드를 할 시기를 결정하는 분류/시스템/시스템을 사용할 것입니다 - Forex는 변동성이 있습니다.
지금은 ENN과 유전 알고리즘을 사용하고 있습니다. / 그리고 퍼지 논리, 대략적인 집합 이론 등과 같은 다른 것들을 사용하고 있습니다.
결과는 꽤 좋습니다. 금융 위기가 끝난 후 모든 것이 더 좋아지고 더 안정되면 더 나아질 것입니다.
mrwobbles
Forex 거래의 목적을 위해 오류 측정값을 보지 말고 예측이 원하는 출력과 같은 가격 움직임의 동일한 방향을 나타내는지 확인하십시오 . 내 말은 - NN에서 다음 가격이 현재 가격보다 높게 마감될 것으로 표시되는 경우 가격이 시가보다 최소 x핍 상승할 것으로 예상해야 합니다. 정확한 가격 수준을 예측하는 것은 H1 또는 H4와 같은 기간에 거의 불가능합니다.
나는 당신이 정확한 종가를 예측하는 것이 거의 불가능에 가깝다고 생각하기 때문에 종가와 시가 스프레드를 예측하려고 노력했습니다. 유전적으로 최적화된 뉴런과 가중치가 있는 적절한 네트워크는 올바른 입력을 제공하면 5핍 내에서 그렇게 할 수 있을 것이라고 생각합니다. t+1보다 더 먼 미래를 예측하기 위해 코호넨 SOM(Self-Organization Maps)을 사용하는 것을 고려해 보셨습니까? 내 이해는 Kohonen 네트워크가 t+1에 대한 예측을 수행한 다음 해당 값을 사용하여 t+10이라고 말하는 모든 값을 예측할 수 있다는 것입니다. 당신은 틀릴 수 있습니다. 내가 본 모든 예가 내가 찾고 있는 것보다 덜 정확하지만 이것은 유용할 것입니다.
t+1 /t+2, t+3 등의 단계를 예측하려면 다른 시간 프레임을 사용하십시오. 예를 들어 다음 주 추세를 예측하려면 W1 시간 프레임을 사용합니다. Forex 환율은 혼란스럽고 비선형적이기 때문에 t+n-1을 기반으로 t+n을 예측하지 마십시오. 또한 한 네트워크는 t+1을 예측하도록 훈련하고 두 번째 네트워크는 t+2를 /같은 데이터를 사용하여 예측하는 등의 방식으로 훈련할 수 있습니다.
아주 좋은 아이디어는 하이브리드 시스템을 구축하는 것입니다. 간단히 말해서 - 5-6개의 최고의 신경망을 선택하고 출력을 결합합니다. /이에 대해 간단한 평균 을 사용할 수 있습니다 [(out1+out2+...+outN)/N)], GEM, LWPR [LWPR은 최상의 선택 IMO입니다] 등./
그것은 기본적으로 내가 생각한 것입니다. SOM에서 몇 가지 예측을 보았고 20 단계 기간 동안 추세를 맞았을 수도 있지만 가격이 취한 실제 경로에서 멀리 떨어져 있습니다. 생물학적 시스템을 모방하도록 설계된 NN을 고려할 때 유전자 최적화를 사용하는 것이 앞으로 나아갈 길이라고 생각합니다. 어떤 형태의 진화 과정을 추가하면 정확도가 증가하는 것이 논리적으로 보입니다.
나는 이 결과에 대해 확신이 서지 않고, 방향이 올바른지 확인 하기 위해 확대했으며 그렇지 않은 경우보다 더 자주 얻는 것 같습니다. 몇 가지 비정상적인 결과(하나는 400핍 = S만큼 출력됨)가 있지만 대부분의 경우 올바른 방향을 얻습니다. 그림은 가까운, 높음 및 낮음에 대한 목표(파란색)에 대한 예측(녹색)을 보여줍니다. 나는 ANN에 대해 많이 읽었지만 이것은 ANN을 구축하는 첫 번째 사료이므로 명백한 것 외에 내가 찾고 있는 것이 무엇인지 정확히 모릅니다.
나는 이것을 다시 게시할 것이다:몇 년 전에 나는 우물 로깅 과정에서 기름 침전물을 예측하기 위해 퍼지 논리 + 역전파가 있는 신경망에 관한 논문을 썼고 결과가 좋으므로 NN 역전파를 사용한 퍼지 논리를 다음과 같이 구현할 수 있다고 생각합니다. 이 비즈니스의 추세를 예측하지만 더 나은 결과를 얻으려면 더 많은 데이터가 필요합니다. 나는 9개의 노드를 사용하여 암석 패턴을 예측했습니다. 외환 패턴을 인식하기 위한 노드가 몇 개인지 모르겠습니다.
prasxz: 나는 이것을 다시 게시할 것이다:몇 년 전에 나는 우물 로깅 과정에서 기름 침전물을 예측하기 위해 퍼지 논리 + 역전파가 있는 신경망에 관한 논문을 썼고 결과가 좋으므로 NN 역전파를 사용한 퍼지 논리를 다음과 같이 구현할 수 있다고 생각합니다. 이 비즈니스의 추세를 예측하지만 더 나은 결과를 얻으려면 더 많은 데이터가 필요합니다. 나는 9개의 노드를 사용하여 암석 패턴을 예측했습니다. 외환 패턴을 인식하기 위한 노드가 몇 개인지 모르겠습니다.
나는 그것이 네트워크에 제공하는 입력의 수에 크게 의존한다는 것을 읽었습니다. 32개의 입력을 제공하고 3개의 출력을 원하므로 (32-3)/2=14.5로 시작하여 14개의 뉴런을 말한 다음 거기에서 작업합니다. 내가 구축한 모델은 13개의 노드를 사용합니다. 재미있게도 노드를 줄이면 정확도와 수렴 시간이 모두 증가하지만 포인트 이후에는 감소합니다. Kazam이 말했듯이 ENN을 생성하기 위해 문제에 유전 알고리즘을 적용하면 네트워크가 정확한 결과를 생성하는 모든 가능한 네트워크의 샘플 공간에서 가장 최적의 네트워크를 선택할 수 있어야 합니다. 그것은 내가 그들에 대해 읽은 내용을 이해한 경우입니다. 나는 이것이 네트워크를 구축하는 데 걸리는 시간을 상당히 증가시킬 것이라고 상상할 것입니다.
퍼지 신경망과 퍼지 하이브리드 신경 시스템은 거래 시스템을 구축할 때 매우 좋은 선택이 될 수 있습니다. 혼란스러운 시계열을 예측하는 목적에는 덜 유용할 수 있습니다.
mrwobbles
이 차트는 훈련 데이터를 /desired 대 예측/?을 보여줍니다.
적절한 수의 노드를 선택하는 것은 매우 어렵습니다. 당신이 제시한 공식은 쓸모가 없습니다 /하지만 그것은 매우 유명합니다/ - 최적 또는 거의 최적에 가까운 NN 아키텍처를 선택하는 결정론적 방법은 없습니다.
유전 알고리즘은 이 문제를 극복합니다. GA에 두 개의 그룹을 제공합니다. 하나는 터미널 기호 /입력, 상수 등을 포함하고 다른 하나는 다른 활성화 기능, 삼각 함수 등을 갖는 기능 /노드를 포함하며 알고리즘은 해당 그룹의 구성원을 사용하여 NN을 "구축"합니다. . 이렇게 하면 3개의 노드와 5개의 입력이 있는 NN 또는 30개의 노드와 50개의 입력이 있는 NN을 얻을 수 있습니다. 더 많은 세대를 기다릴수록 더 나은 NN을 얻을 수 있습니다. 왜 이런 일이 발생하는지 알고 싶다면 Holland의 스키마 정리에 대해 읽으십시오.
적절한 수의 노드를 선택하는 것은 매우 어렵습니다. 당신이 제시한 공식은 쓸모가 없습니다 /하지만 그것은 매우 유명합니다/ - 최적 또는 거의 최적에 가까운 NN 아키텍처를 선택하는 결정론적 방법은 없습니다.
유전 알고리즘은 이 문제를 극복합니다. GA에 두 개의 그룹을 제공합니다. 하나는 터미널 기호 /입력, 상수 등을 포함하고 다른 하나는 다른 활성화 기능, 삼각 함수 등을 갖는 기능 /노드를 포함하며 알고리즘은 해당 그룹의 구성원을 사용하여 NN을 "구축"합니다. . 이렇게 하면 3개의 노드와 5개의 입력이 있는 NN 또는 30개의 노드와 50개의 입력이 있는 NN을 얻을 수 있습니다. 더 많은 세대를 기다릴수록 더 나은 NN을 얻을 수 있습니다. 왜 이런 일이 발생하는지 알고 싶다면 Holland의 스키마 정리에 대해 읽으십시오.
예 훈련 대 예측. 나는 훈련, 테스트 및 교차 검증에 사용된 데이터의 처음 6-7년으로 새로운 네트워크를 구축했습니다. 그런 다음 라이브 테스트를 모방하는 아이디어로 학습 없이 테스트로 남은 3년의 데이터를 제공했습니다. 훈련 회귀선의 기울기는 0.99995였으며, 약 3년 동안 이전에 볼 수 없었던 데이터를 입력했을 때 0.9995로 떨어졌습니다. 이것을 어떻게 해석해야 할지 잘 모르겠습니다. 한 시간도 채 안 되는 시간에 정리한 것치고는 너무 정확한 것 같습니다.
예, 도서관에서 찾은 신경망 소개 책에서 그 공식을 발견했습니다. 그것은 기본을 다루었고 나에게 신경망의 세계에 대한 좋은 소개였습니다. 처음 시작하는 사람에게는 유전 알고리즘 과 같은 더 어려운 개념을 다루기 전에 시작하기에 좋은 곳입니다.
내가 올바르게 이해했다면 처음에는 문제를 해결할 수 있는 임의의 프로그램 모집단(입력 가중치, 은닉층, 뉴런 등)을 생성한 다음 최적의 부모 프로그램을 사용하여 다음 세대의 프로그램을 낳는 것이 포함됩니다. 지난번보다 낫다. 당신이 무작위로 첫 번째 모집단을 생성한다면 어떤 프로그램도 문제를 해결하지 못하는 모집단을 생성할 수 있는 기회가 없습니까? 아니면 문제를 해결하지 못하는 개체군으로 시작하여 문제를 해결하는 개체군으로 발전시키려는 아이디어입니까? 많은 계산이 필요하겠죠? 평균적인 데스크탑이 처리할 수 있다고 말하는 것 이상입니까? 병렬 그래픽 카드 처리 또는 더 나은 대규모 병렬 시스템이 필요할 것이라고 상상합니다. 그러나 가장 최적의 솔루션을 선택하는 가장 좋은 방법인 것 같습니다.
기존 방법을 사용하여 교육에서 생성된 12개의 네트워크로 구성된 모집단으로 시작한 다음 해당 프로그램 세트를 사용하여 서로 자손을 생성하는 것이 더 좋지 않을까요? 그런 다음 더 나은 인구를 진화시키기 위해 제안한 방법을 사용하여 가계도 유형 구조를 만들 수 있고, 실패한 자손을 가지치기하고, 다음 세대 부모가 될 12개의 가장 최적의 프로그램을 선택할 수 있습니까? 알고 있는 모집단으로 시작하여 문제를 해결한 다음 결과로 나오는 자손에서 보다 효율적인 프로그램을 발전시키는 아이디어입니다.
HONN에 대한 좋은 정보 소스를 원하시면 "경제 및 비즈니스를 위한 인공 고차 신경망" 책을 읽으십시오. 새책이라 좋은 정보가 많이 있습니다. 가격은 킬러(180$)이지만 pdf에서 찾을 수 있습니다.
그게 내가 말했던 것, 좋은 것입니다. 나는 그것을 통해 약간의 방법을 얻었고 이미 나에게 많은 아이디어를 주었다. 어쨌든 그것들을 구현하는 것은 저에게 조금 더 까다롭습니다. 저는 이 코딩 장애에 대해 약간 신경이 쓰이는 사람입니다...
추천해 주셔서 감사합니다. 한 번 살펴보고 ... 운이 좋으면 uni 라이브러리에서 일부를 찾을 수 있습니다. 그들은 자체 라이브러리가 있는 새로운 인공 지능 건물을 방금 지었으므로 거기에 무언가가 있을 수 있습니다. 그렇지 않으면 그냥 다운로드 ...
아, 저는 10년 데이터를 각각 2/3과 1/3의 두 청크로 나누고, 처음 2/3에서 네트워크를 훈련했습니다(2/3을 훈련, 테스트 및 CV 청크로 분할 포함). 그런 다음 결과 네트워크를 테스트했습니다. 나머지 1/3이고 정확한 것으로 유지되는 것 같았습니다. 약간의 정확도 손실이 있었지만 여전히 0.9995 회귀선이었습니다. 여전히 이전 훈련 데이터에 대한 과적합으로 설명될 수 있습니까?
- "Gen Expression Programming" - Candida Ferreira 저.
칸디다 페레이라가 아구창을 일으키는 박테리아가 아닌가요?
서퍼
나는 ENN을 사용하여 Forex를 거래하지 않습니다. 나는 곧 시작할 수 있지만 아마도 나는 가격을 예측하려고 하기 보다는 롱/숏 트레이드를 할 시기를 결정하는 분류/시스템/시스템을 사용할 것입니다 - Forex는 변동성이 있습니다.
지금은 ENN과 유전 알고리즘을 사용하고 있습니다. / 그리고 퍼지 논리, 대략적인 집합 이론 등과 같은 다른 것들을 사용하고 있습니다.
결과는 꽤 좋습니다. 금융 위기가 끝난 후 모든 것이 더 좋아지고 더 안정되면 더 나아질 것입니다.
mrwobbles
Forex 거래의 목적을 위해 오류 측정값을 보지 말고 예측이 원하는 출력과 같은 가격 움직임의 동일한 방향을 나타내는지 확인하십시오 . 내 말은 - NN에서 다음 가격이 현재 가격보다 높게 마감될 것으로 표시되는 경우 가격이 시가보다 최소 x핍 상승할 것으로 예상해야 합니다. 정확한 가격 수준을 예측하는 것은 H1 또는 H4와 같은 기간에 거의 불가능합니다.
지금 얻는 작은 오류는 잘못된 측정 방법으로 인해 발생합니다.
그리고 당신 말이 맞습니다. 칸디다균이라는 효모가 있습니다.
나는 당신이 정확한 종가를 예측하는 것이 거의 불가능에 가깝다고 생각하기 때문에 종가와 시가 스프레드를 예측하려고 노력했습니다. 유전적으로 최적화된 뉴런과 가중치가 있는 적절한 네트워크는 올바른 입력을 제공하면 5핍 내에서 그렇게 할 수 있을 것이라고 생각합니다. t+1보다 더 먼 미래를 예측하기 위해 코호넨 SOM(Self-Organization Maps)을 사용하는 것을 고려해 보셨습니까? 내 이해는 Kohonen 네트워크가 t+1에 대한 예측을 수행한 다음 해당 값을 사용하여 t+10이라고 말하는 모든 값을 예측할 수 있다는 것입니다. 당신은 틀릴 수 있습니다. 내가 본 모든 예가 내가 찾고 있는 것보다 덜 정확하지만 이것은 유용할 것입니다.
Forex 시계열을 예측할 목적으로 SOM은 잊어버리십시오. ENN이 훨씬 낫습니다.
t+1 /t+2, t+3 등의 단계를 예측하려면 다른 시간 프레임을 사용하십시오. 예를 들어 다음 주 추세를 예측하려면 W1 시간 프레임을 사용합니다. Forex 환율은 혼란스럽고 비선형적이기 때문에 t+n-1을 기반으로 t+n을 예측하지 마십시오. 또한 한 네트워크는 t+1을 예측하도록 훈련하고 두 번째 네트워크는 t+2를 /같은 데이터를 사용하여 예측하는 등의 방식으로 훈련할 수 있습니다.
아주 좋은 아이디어는 하이브리드 시스템을 구축하는 것입니다. 간단히 말해서 - 5-6개의 최고의 신경망을 선택하고 출력을 결합합니다. /이에 대해 간단한 평균 을 사용할 수 있습니다 [(out1+out2+...+outN)/N)], GEM, LWPR [LWPR은 최상의 선택 IMO입니다] 등./
그것은 기본적으로 내가 생각한 것입니다. SOM에서 몇 가지 예측을 보았고 20 단계 기간 동안 추세를 맞았을 수도 있지만 가격이 취한 실제 경로에서 멀리 떨어져 있습니다. 생물학적 시스템을 모방하도록 설계된 NN을 고려할 때 유전자 최적화를 사용하는 것이 앞으로 나아갈 길이라고 생각합니다. 어떤 형태의 진화 과정을 추가하면 정확도가 증가하는 것이 논리적으로 보입니다.
나는 이 결과에 대해 확신이 서지 않고, 방향이 올바른지 확인 하기 위해 확대했으며 그렇지 않은 경우보다 더 자주 얻는 것 같습니다. 몇 가지 비정상적인 결과(하나는 400핍 = S만큼 출력됨)가 있지만 대부분의 경우 올바른 방향을 얻습니다. 그림은 가까운, 높음 및 낮음에 대한 목표(파란색)에 대한 예측(녹색)을 보여줍니다. 나는 ANN에 대해 많이 읽었지만 이것은 ANN을 구축하는 첫 번째 사료이므로 명백한 것 외에 내가 찾고 있는 것이 무엇인지 정확히 모릅니다.
안녕
나는 이것을 다시 게시할 것이다:몇 년 전에 나는 우물 로깅 과정에서 기름 침전물을 예측하기 위해 퍼지 논리 + 역전파가 있는 신경망에 관한 논문을 썼고 결과가 좋으므로 NN 역전파를 사용한 퍼지 논리를 다음과 같이 구현할 수 있다고 생각합니다. 이 비즈니스의 추세를 예측하지만 더 나은 결과를 얻으려면 더 많은 데이터가 필요합니다. 나는 9개의 노드를 사용하여 암석 패턴을 예측했습니다. 외환 패턴을 인식하기 위한 노드가 몇 개인지 모르겠습니다.
====================
외환 지표 컬렉션
나는 이것을 다시 게시할 것이다:몇 년 전에 나는 우물 로깅 과정에서 기름 침전물을 예측하기 위해 퍼지 논리 + 역전파가 있는 신경망에 관한 논문을 썼고 결과가 좋으므로 NN 역전파를 사용한 퍼지 논리를 다음과 같이 구현할 수 있다고 생각합니다. 이 비즈니스의 추세를 예측하지만 더 나은 결과를 얻으려면 더 많은 데이터가 필요합니다. 나는 9개의 노드를 사용하여 암석 패턴을 예측했습니다. 외환 패턴을 인식하기 위한 노드가 몇 개인지 모르겠습니다.
====================
외환 지표 컬렉션나는 그것이 네트워크에 제공하는 입력의 수에 크게 의존한다는 것을 읽었습니다. 32개의 입력을 제공하고 3개의 출력을 원하므로 (32-3)/2=14.5로 시작하여 14개의 뉴런을 말한 다음 거기에서 작업합니다. 내가 구축한 모델은 13개의 노드를 사용합니다. 재미있게도 노드를 줄이면 정확도와 수렴 시간이 모두 증가하지만 포인트 이후에는 감소합니다. Kazam이 말했듯이 ENN을 생성하기 위해 문제에 유전 알고리즘을 적용하면 네트워크가 정확한 결과를 생성하는 모든 가능한 네트워크의 샘플 공간에서 가장 최적의 네트워크를 선택할 수 있어야 합니다. 그것은 내가 그들에 대해 읽은 내용을 이해한 경우입니다. 나는 이것이 네트워크를 구축하는 데 걸리는 시간을 상당히 증가시킬 것이라고 상상할 것입니다.
프라스즈
퍼지 신경망과 퍼지 하이브리드 신경 시스템은 거래 시스템을 구축할 때 매우 좋은 선택이 될 수 있습니다. 혼란스러운 시계열을 예측하는 목적에는 덜 유용할 수 있습니다.
mrwobbles
이 차트는 훈련 데이터를 /desired 대 예측/?을 보여줍니다.
적절한 수의 노드를 선택하는 것은 매우 어렵습니다. 당신이 제시한 공식은 쓸모가 없습니다 /하지만 그것은 매우 유명합니다/ - 최적 또는 거의 최적에 가까운 NN 아키텍처를 선택하는 결정론적 방법은 없습니다.
유전 알고리즘은 이 문제를 극복합니다. GA에 두 개의 그룹을 제공합니다. 하나는 터미널 기호 /입력, 상수 등을 포함하고 다른 하나는 다른 활성화 기능, 삼각 함수 등을 갖는 기능 /노드를 포함하며 알고리즘은 해당 그룹의 구성원을 사용하여 NN을 "구축"합니다. . 이렇게 하면 3개의 노드와 5개의 입력이 있는 NN 또는 30개의 노드와 50개의 입력이 있는 NN을 얻을 수 있습니다. 더 많은 세대를 기다릴수록 더 나은 NN을 얻을 수 있습니다. 왜 이런 일이 발생하는지 알고 싶다면 Holland의 스키마 정리에 대해 읽으십시오.
/.
mrwobbles
이 차트는 훈련 데이터를 /desired 대 예측/?을 보여줍니다.
적절한 수의 노드를 선택하는 것은 매우 어렵습니다. 당신이 제시한 공식은 쓸모가 없습니다 /하지만 그것은 매우 유명합니다/ - 최적 또는 거의 최적에 가까운 NN 아키텍처를 선택하는 결정론적 방법은 없습니다.
유전 알고리즘은 이 문제를 극복합니다. GA에 두 개의 그룹을 제공합니다. 하나는 터미널 기호 /입력, 상수 등을 포함하고 다른 하나는 다른 활성화 기능, 삼각 함수 등을 갖는 기능 /노드를 포함하며 알고리즘은 해당 그룹의 구성원을 사용하여 NN을 "구축"합니다. . 이렇게 하면 3개의 노드와 5개의 입력이 있는 NN 또는 30개의 노드와 50개의 입력이 있는 NN을 얻을 수 있습니다. 더 많은 세대를 기다릴수록 더 나은 NN을 얻을 수 있습니다. 왜 이런 일이 발생하는지 알고 싶다면 Holland의 스키마 정리에 대해 읽으십시오.
예 훈련 대 예측. 나는 훈련, 테스트 및 교차 검증에 사용된 데이터의 처음 6-7년으로 새로운 네트워크를 구축했습니다. 그런 다음 라이브 테스트를 모방하는 아이디어로 학습 없이 테스트로 남은 3년의 데이터를 제공했습니다. 훈련 회귀선의 기울기는 0.99995였으며, 약 3년 동안 이전에 볼 수 없었던 데이터를 입력했을 때 0.9995로 떨어졌습니다. 이것을 어떻게 해석해야 할지 잘 모르겠습니다. 한 시간도 채 안 되는 시간에 정리한 것치고는 너무 정확한 것 같습니다.
예, 도서관에서 찾은 신경망 소개 책에서 그 공식을 발견했습니다. 그것은 기본을 다루었고 나에게 신경망의 세계에 대한 좋은 소개였습니다. 처음 시작하는 사람에게는 유전 알고리즘 과 같은 더 어려운 개념을 다루기 전에 시작하기에 좋은 곳입니다.
내가 올바르게 이해했다면 처음에는 문제를 해결할 수 있는 임의의 프로그램 모집단(입력 가중치, 은닉층, 뉴런 등)을 생성한 다음 최적의 부모 프로그램을 사용하여 다음 세대의 프로그램을 낳는 것이 포함됩니다. 지난번보다 낫다. 당신이 무작위로 첫 번째 모집단을 생성한다면 어떤 프로그램도 문제를 해결하지 못하는 모집단을 생성할 수 있는 기회가 없습니까? 아니면 문제를 해결하지 못하는 개체군으로 시작하여 문제를 해결하는 개체군으로 발전시키려는 아이디어입니까? 많은 계산이 필요하겠죠? 평균적인 데스크탑이 처리할 수 있다고 말하는 것 이상입니까? 병렬 그래픽 카드 처리 또는 더 나은 대규모 병렬 시스템이 필요할 것이라고 상상합니다. 그러나 가장 최적의 솔루션을 선택하는 가장 좋은 방법인 것 같습니다.
기존 방법을 사용하여 교육에서 생성된 12개의 네트워크로 구성된 모집단으로 시작한 다음 해당 프로그램 세트를 사용하여 서로 자손을 생성하는 것이 더 좋지 않을까요? 그런 다음 더 나은 인구를 진화시키기 위해 제안한 방법을 사용하여 가계도 유형 구조를 만들 수 있고, 실패한 자손을 가지치기하고, 다음 세대 부모가 될 12개의 가장 최적의 프로그램을 선택할 수 있습니까? 알고 있는 모집단으로 시작하여 문제를 해결한 다음 결과로 나오는 자손에서 보다 효율적인 프로그램을 발전시키는 아이디어입니다.