Busca de um padrão arbitrário usando uma rede neural - página 5
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
Peter. Presumo que para você o termo "matemática" termina com seu curso escolar? Portanto, há muito mais lá, incluindo algoritmos.
Sim, eu conheço a matemática dentro do currículo escolar. Uma vez perguntei a um professor na aula de geometria analítica (aquele que trata de funções e eixos coordenados): "Se uma função constrói uma curva sobre um gráfico, uma função pode ser traçada a partir de uma curva sobre um gráfico?" e obtive a resposta inequívoca: "Não. A partir disto, concluí que os padrões podem ser descritos matematicamente, mas não podem ser identificados porque não se pode obter a fórmula que os gerou a partir dos valores.
Talvez haja outras ferramentas matemáticas. Diga-me se você sabe.Aqui está um olhar mais amplo sobre os padrões.
https://ru.wikipedia.org/wiki/%D0%9F%D0%B0%D1%82%D1%82%D0%B5%D1%80%D0%BD
Sim, eu conheço a matemática dentro do currículo escolar. Uma vez perguntei a um professor na aula de geometria analítica (aquele que lida com funções e eixos coordenados): "Se uma função constrói uma curva sobre um gráfico, uma função pode ser traçada a partir de uma curva sobre um gráfico?" e obtive uma resposta inequívoca - "Não. A partir disto, concluí que os padrões podem ser descritos matematicamente mas não podem ser identificados porque é impossível derivar uma fórmula que os gerou a partir de seus valores.
Talvez haja algumas outras ferramentas matemáticas. Diga-me se você conhece algum.você pode, com um palpite, um método tabular para definir uma função, interpolação
você pode, num relance, usar um método tabular para especificar uma função, interpolação
Eu poderia estar errado, mas acho que é assim que as redes neurais funcionam.
Um conjunto de dados é como que arranjado dentro de uma tabela, onde cada célula é um neurônio que se lembra de um valor. No processo de "aprendizagem" (recarga de novos dados), os valores nas células são agregados e reduzidos a uma faixa. Eventualmente, cada neurônio se lembra do intervalo de valores obtidos no ciclo de carregamento de dados e produz um "modelo" (uma matriz com valores de intervalo) que, como modelo, é aplicado à nova tabela de dados e o "reconhecimento" ocorre (se os dados se ajustarem aos intervalos). Amadoramente dito, mas essa é a idéia. O que será que os especialistas têm a dizer?
Neste caso, as redes neurais são ideais para o reconhecimento de padrões.
Eu poderia estar errado, mas acho que é assim que as redes neurais funcionam.
Uma série de dados é disposta dentro de uma tabela, onde cada célula é um neurônio que se lembra de um valor. No processo de "aprendizagem" (recarga de novos dados), os valores nas células são agregados e reduzidos a uma faixa.
1. no caso geral, a resposta é não
2. Como um caso especial, sim, mas depende do tipo NS
1. NS é caracterizada não pela "memorização de um neurônio", mas pela mudança de seu peso - a conexão entre neurônios, em tudo está claramente escrita no hubra e fácil de lerhttps://habr.com/ru/post/312450/.
2. Estas são muito provavelmente as redes do Hamminghttps://habr.com/ru/sandbox/43916/
E se você decidiu levar isso a sério, você precisará ler pelo menos um livro (para entender que o próximo livro terá 80% de repetições do livro anterior) ), e pelo menos entender a diferença entre a tarefa de classificação e a regressão para os NS - basicamente tudo é construído sobre ele, o resto são variações sobre este tema e formas de aprendizagem e tipos de NS - eu não estudei profundamente, muitas coisas que se repetem, mas tento apresentar como algo muito novo chamando-lhe um novo termo ... muita confusão, muito barulho ))))
1. em geral, a resposta é não
2. Como um caso especial, sim, mas depende do tipo de NS
1. NS é caracterizada não por "lembrar um neurônio", mas por mudanças de peso - comunicação entre neurônios, em geral está claramente escrita em hubra e é fácil de ler https://habr.com/ru/post/312450/
2. Estas são muito provavelmente as redes do Hamminghttps://habr.com/ru/sandbox/43916/
E se você decidiu levar isso a sério, você precisará ler pelo menos um livro (para entender que o próximo livro terá 80% de repetições do livro anterior) ), e pelo menos entender a diferença entre a tarefa de classificação e a regressão para os NS - basicamente tudo é construído sobre ele, o resto são variações sobre este tema e formas de aprendizagem e tipos de NS - eu não estudei profundamente, muitas coisas que se repetem, mas tento apresentar como algo muito novo chamando-lhe um novo termo ... muita confusão e barulho ))))
Obrigado, gostei do primeiro artigo, mas não entendo porque a rede de repente funciona desta maneira. Descreve tudo de forma simples, mas não é de forma alguma claro do que se trata. Apenas informações sem nenhum exemplo real.
Pesos, neurônios, entrada e saída, escondidos, sinapses... Os valores estão necessariamente entre 1 e 0. Por que é assim e não é assim?
Como treinar a rede sobre dados cujo tipo não seja o dobro, e além do intervalo de zero e um? Como declarar uma camada? Como definir o número de neurônios? Onde carregar os dados?
Em resumo, eu ainda não descobri.Obrigado, gostei do primeiro artigo, mas não entendo porque a rede de repente funciona desta maneira e não de outra forma. É simples, mas não está claro do que se trata. Apenas informações sem nenhum exemplo real.
Pesos, neurônios, entrada e saída, escondidos, sinapses... Os valores estão necessariamente entre 1 e 0. Por que exatamente isso e não de outra forma?
Como treinar a rede sobre os dados que não são do tipo duplo, e além do intervalo de zero e um? Como declarar uma camada? Como definir o número de neurônios? Onde carregar os dados?
Em resumo, eu ainda não descobri.função de ativação google e normalização da rede neural
exemplohttps://www.mql5.com/ru/forum/5010#comment_329221 e também está em algibehttps://www.mql5.com/ru/forum/8265/page2#comment_333746
mas você precisa ler um livro de qualquer maneira, tentativa e erro não é uma tarefa fácil.
função de ativação google e normalização da rede neural
exemplohttps://www.mql5.com/ru/forum/5010#comment_329221 e o mesmo em alglib https://www.mql5.com/ru/forum/8265/page2#comment_333746
mas você ainda precisa de algum tipo de livro, o trabalho de adivinhação científica não vai fazer o truque.
Ok. Quero descobrir por mim mesmo, e depois ler o livro. )
O artigo diz que há três usos para redes - Classificação, Predição e Reconhecimento. Acontece então que o reconhecimento de padrões de preços não deve envolver dados OCHL, mas sim imagens de tela de gráficos. Oreconhecimento com imagens funciona.
Acontece então que o reconhecimento de padrões de preços não deve ser baseado em dados OCHL, mas em capturas de tela de gráficos. O reconhecimento com imagens funciona.
hilariante! )))
o que é uma captura de tela?
e o que é OHLC?
em representação de máquinas!
(Risos!) )))
o que é uma tela?
e o que é OHLC?
em representação de máquinas!
Bem, o artigo separa as três aplicações das redes. Uma coisa é reconhecer a partir dos dados de preço, outra é reconhecer a partir dos dados de cor. Ainda assim, abordagens e mecanismos completamente diferentes.
ZZZ. Os padrões de preços são de natureza gráfica, não matemática. Se alguém tenta reconhecê-los matematicamente, fica perplexo, mas graficamente é fácil.