нейронная сеть и входы - страница 7
Вы упускаете торговые возможности:
- Бесплатные приложения для трейдинга
- 8 000+ сигналов для копирования
- Экономические новости для анализа финансовых рынков
Регистрация
Вход
Вы принимаете политику сайта и условия использования
Если у вас нет учетной записи, зарегистрируйтесь
Ну к примеру нормальные банки отслеживают - какие Вы покупки совершаете по своей карточке , и в случае если это будут "нехарактерные" покупки , то сетка карточку заблокирует . Сетка уже давно работает в аэропортах , в метро в случае когда нужно проводить поиск нужного "фейса" . Сетка идентифицирует цель , в случае обнаружения и наведения . На крупных предприятиях - как дубликат человеку , в случае чрезвычайной ситуации . На самом деле сеть много где работает.
Широчайшее.
По моим представлениям стандарт для сетки следующий. Известно чему учить. Например, учим распознавать рукописную букву "а", предъявляя сетке тысячи вариантов написания. Я подозреваю, что отклонения всех вариантов написания буквы от идеала образуют стационарный ряд. Итак два условия успешности: известно чему учить и отклонения от идеала образуют стационарный ряд. Вроде можно отойти от этого идеала. Но тут вступает третья проблема - вычислительная сложность.
Но я обсуждаю рынкет. А на рынкете имеется вагон и малая тележка математических алгоритмов, которые позволяют более осознанно подходить к построению ТС. Поэтому продуктивнее тратить время на матстатистику, чем на достаточно сложную НС.
Широчайшее.
По моим представлениям стандарт для сетки следующий. Известно чему учить. Например, учим распознавать рукописную букву "а", предъявляя сетке тысячи вариантов написания. Я подозреваю, что отклонения всех вариантов написания буквы от идеала образуют стационарный ряд. Итак два условия успешности: известно чему учить и отклонения ото идеала образуют стационарный ряд. Вроде можно отойти от этого идеала. Но тут вступает третья проблема - вычислительная сложность.
Но я обсуждаю рынкет. А на рынкете имеется вагон и малая тележка математических алгоритмов, которые позволяют более осознанно подходить к построению ТС. Поэтому продуктивнее тратить время на матстатистику, чем на достаточно сложную НС.
Как и для распознавания букв из алфавита (по аналогии) , нужно исходить из того , что рынок это замкнутая система .. Что будет его превращать стационарность (оперируя Вашим языком) Т.е на вход нужно подать все что мы знаем о рынке . )))))
1. Рынкет не замкнутая система, а живая, так как формируется мнением людей.
2. "Стационарность" - это не мой язык.
Все - отбой.
1. Рынкет не замкнутая система, а живая, так как формируется мнением людей.
2. "Стационарность" - это не мой язык.
Все - отбой.
Я не пытался Вам ничего доказывать , мне это не интересно ))).
return(0);
По моим представлениям стандарт для сетки следующий. Известно чему учить. Например, учим распознавать рукописную букву "а", предъявляя сетке тысячи вариантов написания.
Не совсем так, хотя многие простые сети обучаются как вы описали. Но есть сети которые самообучаются на лету, как наш мозг. Кстати, отрицать полезность сетей это также как отрицать полезность нашего мозга. И наш мозг успешно оперирует со всеми типами данных: стационарными и нестационарными. Другое дело это утверждать что простые сети из учебника способны делать то что наш мозг может, т.е. находить закономерности и т.п. Поэтому я пессимист по поводу полезности этих "простых" сетей в трейдинге. А на более сложные сети, работающие по биологическим принципам, пока не хватает компьютерной мощности.
Кстати, вот интересный видео о само-обучающейся камере. После одного показа камере лица, она учится распозновать это лицо на разных расстояниях и под разными углами. Создана чехословацким студентом, который впоследствии создал свою компанию.
https://www.youtube.com/watch?v=1GhNXHCQGsM
Не нормировка - самый хороший способ подачи данных, если конечно есть такая возможность. Сохраняется вся информативность сигнала. Искажений 0.
Лучше побороться с масштабом - большая вероятность сохранения информативности, чем искажать информацию нормировкой.
И второй раз я спрашиваю - где сетки работают в настоящем времени ?
Смысл в том, что НС сама по себе - это некая последовательность вычислений с неизвестными коэффициентами, которые надо определить в процессе обучения. Эта задача в математике называется задачей регрессии (ее частные случаи - классификация и кластеризация). Выполнять ее могут совершенно различные алгоритмы, у каждого из которых есть свойства и особенности, преимущества и недостатки. У классической НС, повторюсь, преимущество в том, что она может работать в отсутствии априорных данных об объекте.
Например, мы обучаем сеть распознавать изображения цифр от 0 до 9, показываем ей картинки и учим правильным ответам. Если мы заранее не закладывали в структуру сети, что цифры будут такого-то размера, цвета и т.п., то сеть, получается, должна сама под входные данные подстроиться. И, собственно, делает это - но! - медленно, а вот в этом как раз и недостаток НС. И если первые 1000 цифр, показанные сетке были черные на белом фоне, а потом мы стали показывать ей белые на черном (читай, внесли нестационарность во входной ряд), то сетке придется обучаться заново.
А вот если мы заранее объяснили сети, что картинка может быть инвертирована (т.е. описали нестационарность и заолжили ее в структуру НС, например, сказав ей, что незнакомый сигнал на выходе -N следует интерпретировать как +N), то на таком типе нестационарности сеть уже не собьется. Но собьется на другом. Однако это у сети уже общее со всеми другими алгоритмами: лучше всего они работают на тех нестационарностях, которые были заложены в систему человеком.
Но есть и отличия: например, многие алгоритмы слежения за параметрами входного сигнала, которые описываются в теории оптимального управления, способны отслеживать более широкий класс нестационарностей, чем был заложен априорно, естественно, с какими-то ограничениями. НС этого, увы, не могут. Пожалуй, единственный вариант для НС - это квазистационарные системы, т.е. такие, в которых параметры плывут с характерным временем не меньше, чем время обучения нейросети.
Итак, отвечая на вопрос: сети работают в основном там, где нет возможности либо очень сложно априорно задать модель входного сигнала: задачи распознавания, семантический анализ (текста, звука, изображения, ...), когнитивные (решить капчу) и их комбинации. Но для сложных задач нужна БОЛЬШАЯ (в буквальном смысле) и сложная сеть, например, такая (и это между прочим, на пределе современных технологий, зацените).
Ну а ктож любит нестационарность? Любой алгоритм, даже самый навороченный при изменении характеристик входного сигнала будет давать сбои. Любой. Чудес не бывает ))))
Опять же, если мы знаем заранее характер нестационарности, мы можем заложить его в алгоритм и, детектируя эту самую нестационарность, оперативно подстраивать параметры контроллера.