rede neural e entradas - página 7
Você está perdendo oportunidades de negociação:
- Aplicativos de negociação gratuitos
- 8 000+ sinais para cópia
- Notícias econômicas para análise dos mercados financeiros
Registro
Login
Você concorda com a política do site e com os termos de uso
Se você não tem uma conta, por favor registre-se
Bem, por exemplo, os bancos normais rastreiam - o que você faz com seu cartão, e se for uma compra "incaracterística", a grade irá bloquear o cartão. A rede vem trabalhando há muito tempo nos aeroportos, no subsolo caso seja necessário encontrar o "rosto" certo. A rede identifica o alvo no caso de detecção e orientação. Em grandes empresas - como um duplicado de uma pessoa, em caso de emergência. Na verdade, a rede funciona em muitos lugares.
A mais ampla.
Em minha mente, o padrão para a grade é o seguinte. É sabido o que ensinar. Por exemplo, ensinamos o reconhecimento da letra "a" manuscrita, apresentando a grade com milhares de variantes ortográficas. Suspeito que os desvios de todas as variantes da carta em relação ao ideal formam uma série estacionária. Portanto, há duas condições para o sucesso: você sabe o que ensinar e os desvios da forma ideal de uma série estacionária. Parece possível se afastar deste ideal. Mas aqui entra um terceiro problema - a complexidade computacional.
Mas eu estou discutindo o mercado. No mercado, existem muitos algoritmos matemáticos que permitem uma abordagem mais consciente da construção de TS. Por isso, é mais produtivo gastar tempo com esteticistas do que com NS bastante complexos.
A mais ampla.
Em minha mente, o padrão para a grade é o seguinte. É sabido o que ensinar. Por exemplo, ensinamos o reconhecimento da letra "a" manuscrita, apresentando a grade com milhares de variantes ortográficas. Suspeito que os desvios de todas as variantes da carta em relação ao ideal formam uma série estacionária. Portanto, há duas condições para o sucesso: você sabe o que ensinar e desvios da forma ideal de uma série estacionária. Parece possível desviar deste ideal. Mas aqui surge um terceiro problema - a complexidade computacional.
Mas eu estou discutindo o mercado. No mercado, existem muitos algoritmos matemáticos que permitem uma abordagem mais consciente da construção de TS. Por isso, é mais produtivo gastar tempo com esteticistas do que com NS bastante complexos.
Quanto ao reconhecimento das letras do alfabeto (por analogia), é necessário assumir que o mercado é um sistema fechado ... O que o tornará estacionário (em seu idioma). Ou seja, devemos inserir tudo o que sabemos sobre o mercado. )))))
1. O mercado não é um sistema fechado, mas um sistema vivo, uma vez que é formado pelas opiniões das pessoas.
2. "Estacionário" não é minha língua.
É isso aí - abandonar.
1. O mercado não é um sistema fechado, mas um sistema vivo, porque é moldado pelas opiniões das pessoas.
2. "Estacionário" não é minha língua.
É isso aí - abandonar.
Eu não tentei provar nada para você, não estou interessado )))))
retorno(0);
Em minha mente, o padrão para a grade é o seguinte. É sabido o que ensinar. Por exemplo, ensinamos o reconhecimento da letra "a" escrita à mão, apresentando a grade com milhares de variações ortográficas.
Na verdade não, embora muitas redes simples aprendam como você descreve. Mas existem redes que se auto-aprendem na mosca, como nossos cérebros. A propósito, negar a utilidade das redes é exatamente como negar a utilidade de nossos cérebros. E nosso cérebro opera com sucesso com todos os tipos de dados: estacionários e não estacionários. Outra coisa é afirmar que simples redes de livros didáticos podem fazer o que nosso cérebro pode fazer, ou seja, encontrar padrões, etc. Portanto, sou pessimista quanto à utilidade dessas redes "simples" no comércio. E ainda não há poder computacional suficiente para redes mais complexas trabalhando em princípios biológicos.
A propósito, aqui está um vídeo interessante sobre uma câmera de auto-aprendizagem. A câmera aprende a reconhecer rostos a diferentes distâncias e ângulos, uma vez que lhe é mostrado um rosto. Criada por um estudante tchecoslovaco, que mais tarde fundou sua própria empresa.
https://www.youtube.com/watch?v=1GhNXHCQGsM
Não normalizar é a melhor maneira de alimentar os dados, se isso for possível, é claro. Toda a informatividade do sinal é preservada. Não há distorção.
É melhor lutar com a escala - há uma melhor chance de reter a informação do que distorcer a informação por meio da normalização.
E pela segunda vez eu pergunto - onde operam as redes em tempo real?
A questão é que o NS em si é uma certa seqüência de cálculos com coeficientes desconhecidos a serem determinados no processo de aprendizagem. Esta tarefa em matemática é chamada de problema de regressão (seus casos especiais são a classificação e o agrupamento). Ela pode ser realizada por algoritmos absolutamente diferentes, cada um deles tem suas propriedades e peculiaridades, vantagens e desvantagens. A vantagem da NS clássica é que ela pode funcionar na ausência de dados a priori sobre o objeto.
Por exemplo, ensinamos uma rede a reconhecer imagens de números de 0 a 9, mostramos-lhe imagens e ensinamos-lhe respostas corretas. Se não especificamos na estrutura da rede que os dígitos serão de tal tamanho, cor e assim por diante, ela tem que se ajustar aos dados de entrada. E, na verdade, ele faz isso - mas! - lentamente, e esta é exatamente a desvantagem da NS. E se os primeiros 1000 números mostrados na grade fossem pretos sobre fundo branco, e então começamos a mostrá-la branca sobre preto (trazendo a não-estacionariedade para a linha de entrada), então a grade deveria ser treinada de novo.
Mas se explicarmos antecipadamente à rede que uma imagem pode ser invertida (ou seja, descrevemos a não-estacionariedade e a colocamos na estrutura NS, por exemplo, dizendo-lhe que um sinal desconhecido na saída -N deve ser interpretado como +N), então a rede não se confundirá com este tipo de não-estacionariedade. Mas cairá sobre outro. Entretanto, a rede já tem isso em comum com todos os outros algoritmos: eles funcionam melhor naqueles não estacionários, que foram colocados no sistema por um humano.
Mas também há diferenças: por exemplo, muitos algoritmos de rastreamento de parâmetros de sinal de entrada descritos na teoria do controle ótimo são capazes de rastrear uma classe mais ampla de não estacionários do que foi estabelecido a priori, naturalmente, com algumas restrições. NS, infelizmente, não pode fazer isso. Talvez a única opção para NS seja sistemas quase estacionários, ou seja, em que os parâmetros estão flutuando com um tempo característico não menor que o tempo de aprendizagem da rede neural.
Assim, para responder à pergunta: as redes trabalham principalmente em tarefas onde é impossível ou muito difícil definir a priori um modelo de sinal de entrada: tarefas de reconhecimento, análise semântica (texto, som, imagem, ...), cognitiva (resolver captcha) e suas combinações. Mas tarefas complexas requerem uma rede GRANDE (literalmente) e complexa, como esta (e esta, por sinal, está no limite da tecnologia atual, confira).
Bem, quem gosta da não-estacionariedade? Qualquer algoritmo, mesmo o mais sofisticado, falhará quando as características do sinal de entrada mudarem. Qualquer algoritmo. Não há milagres ))))
Novamente, se soubermos antecipadamente a natureza da não-estacionariedade, podemos colocá-la no algoritmo e, detectando esta mesma não-estacionariedade, ajustar rapidamente os parâmetros do controlador.