Discussão do artigo "Rede neural na prática: Quando usar um neurônio artificial e entender sua função em MQL5"
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
Novo artigo Rede neural na prática: Quando usar um neurônio artificial e entender sua função em MQL5 foi publicado:
Implementamos em MQL5 um neurônio com Gradiente Descendente Estocástico e comparamos sua função de custo à regressão linear. Mostramos, com código e gráficos, como normalização, escolha de taxa e estrutura do problema afetam a convergência. O artigo oferece um roteiro para depurar treinamento, ler os sinais do erro e selecionar a arquitetura ou função de ativação adequada.
Com tudo que a mídia, influencies, etc. Tem dito e falado de uns tempos para cá. Dá realmente a impressão de que não conseguiremos viver sem redes neurais. De que ela é a oitava maravilha do mundo moderno. Mas as coisas não é bem assim. Redes neurais, como você pode ter visto nos artigos anteriores, é um ramo de pesquisa bastante interessante. Mas no geral elas são limitadas e falhas. Não conseguem entender certos tipos de coisas, e não são tão versáteis como muitos dizem por aí.
Muitas das vezes um programa voltado para resolver um dado problema, será consideravelmente mais eficiente do que qualquer rede neural, que possa ser construída ou desenvolvida. Isto por conta de diversos fatores. Entre eles o simples fato, de que se você, meu caro leitor, optar em usar uma rede neural, para fazer algo, terá de treiná-la para que ela consiga fazer aquilo. Fora o fato de que pode acontecer, de ela nem se quer conseguir entender os dados que você esteja utilizando para treiná-la.
Até o momento, eu nem expliquei, ou havia mencionado tal coisa. Mas apesar de nem sempre ser necessário, na maior parte das vezes, você terá que normatizar os valores a serem usados pela rede neural. O motivo disto será visto no futuro. Mas você precisa estar ciente deste fato. Às vezes, você precisará normatizar, ou colocar os valores de entrada dentro de um range. Caso você não faça isto, a rede neural simplesmente não conseguirá convergir. Se negando completamente em produzir uma representação adequada para as informações de treinamento.
Autor: Daniel Jose