Busca de um padrão arbitrário usando uma rede neural - página 6

Novo comentário
 
Peter, depois de se familiarizar com as redes, dê uma olhada nas redes de convolução.
 
Реter Konow:

Uma coisa é reconhecer pelos dados de preço, outra é reconhecer pela cor. Ainda assim, abordagens e mecanismos completamente diferentes.

Você acha que faz sentido que um PC tenha um esquema de cartela de cores? )))

OK, eu desisto, senão você vai continuar me fazendo rir ))))

Para NS e de fato para qualquer algoritmo de interação com PC, todos os dados serão apresentados na forma de matrizes (memória ou matrizes não são importantes aqui)

e não fará nenhuma diferença o que você ensinar NS a arrays OHLC ou a arrays de máscaras de bitshot da OHLC,

..... embora no aprendizado de máquinas haja um certo "truque" de que dados e configuração e tipo de NS podem importar - mas aqui mais regras de aleatoriedade ;)

 
Igor Makanu:

Você acha que faz sentido que um PC tenha um esquema de cores de gráficos? )))

OK, eu desisto, senão você vai continuar me fazendo rir ))))

Para NS, e de fato para qualquer algoritmo que interaja com o PC, todos os dados serão apresentados como arrays (memória ou arrays não são importantes aqui)

e não fará nenhuma diferença o que você ensina NS a arrays OHLC, o que você ensina a arrays de bitmask de screenshot,

..... embora no aprendizado de máquinas haja um certo "truque" de que dados e configuração e tipo de NS podem importar - mas aqui mais regras de aleatoriedade ;)

Sem dúvida você entende mais do que eu sobre o MoD, mas há aqui uma inconsistência lógica. Os dados OCHL e os dados de captura de tela padrão são dados fundamentalmente diferentes em nível de computador. No caso do preço é o dobro, no caso da cor é uint. No caso da OCHL, precisamos analisar uma correlação de valores de parâmetros de preços de barras, e no caso de uma imagem - a correspondência com a imagem procurada. O treinamento com dados OCHL é uma busca por padrões numéricos e não gráficos (que, compreensivelmente, também são números para uma rede). O aprendizado de padrões gráficos, por outro lado, utiliza um material e um método totalmente diferentes. Talvez encontrarum padrãográfico através de um padrão numérico esteja errado. Acho que estas são abordagens diferentes de aprendizagem e reconhecimento.
 
Aliaksandr Hryshyn:
Peter, depois de se familiarizar com as redes, dê uma olhada nas redes de convolução.
Eu o farei.
 

Mãe de Deus!


 
E a quantidade de dados OCHL por padrão é de ~ 10 ou 100 números, e uma imagem gráfica de ~ 300*300 valores de cor de pixel.
 
Dmitry Fedoseev:

Mãe de Deus!


Não se espanque tantas vezes, todos cometem erros).
 
Реter Konow:
Não se espanque tanto, todos cometem erros).

Mas nem todos se arrancam assim.

 
Igor Makanu:

Infelizmente, você não é fixável!

O computador não se importa com o que ele processa - no final, ele nem sabe o que foi dado, seja uma foto ou dados de bombas nucleares ou OHLS... números são números como eles são!

Eu não sei nem como explicar que não há nada de inteligente num PC - é uma máquina burra, o que você dá a ela no algoritmo, ela processará no algoritmo!

você o explicou?

))))

Você acha que o NS é uma "varinha mágica" à qual, o que quer que você lhe dê, você sempre recebe o que precisa? Não importa quais são os dados, não importa o tamanho dos mesmos. São todos números...

Então eu não entendo, onde está o algoritmo que encontra os padrões? Onde está esse "todo-poderoso" NS? Eles têm estudado MO por tanto tempo e ainda não há "reconhecimento de padrões" no arsenal da MT.

 
Dmitry Fedoseev:

Mas nem todos se arrancam assim.

Você como especialista pode fazer um NS que reconheça pelo menos 5 padrões em qualquer gráfico e cronograma?
12345678910
Novo comentário
Razão: