Обсуждение статьи "Нейронная сеть на практике: Когда использовать искусственный нейрон и как он работает в MQL5"

[MetaQuotes]

Опубликована статья Нейронная сеть на практике: Когда использовать искусственный нейрон и как он работает в MQL5:

Мы реализовали в MQL5 нейрон, обученный методом стохастического градиентного спуска, и сравнили его функцию потерь с линейной регрессией. С помощью кода и графиков мы показываем, как нормализация, выбор скорости обучения и структура задачи влияют на сходимость. Статья предлагает руководство по отладке обучения, интерпретации поведения ошибки и выбору подходящей архитектуры или функции активации.

Судя по тому, о чём уже некоторое время говорят СМИ, инфлюенсеры и т. д., создаётся впечатление, что без нейронных сетей мы не сможем жить. Как будто это восьмое чудо современного мира. На самом деле всё не совсем так. Изучение нейронных сетей, как вы уже могли заметить из предыдущих статей, представляет собой весьма интересную область исследований. Однако в целом у них есть ограничения, и они могут давать сбои. Они не способны решать определённые типы задач и не так универсальны, как многие утверждают.

Во многих случаях программа, разработанная для решения конкретной задачи, будет значительно эффективнее любой нейронной сети, которую мы могли бы создать. Это обусловлено несколькими факторами. Если вы, мой дорогой читатель, решите использовать нейронную сеть для какой-либо задачи, вам придётся обучить её, чтобы она могла её выполнять. Кроме того, может случиться так, что она даже не сможет интерпретировать данные, с помощью которых вы пытаетесь её обучить.

До сих пор я не упоминал об этом. Хотя это не всегда необходимо, в большинстве случаев вам придётся нормализовать значения, которые будет использовать нейронная сеть. Позже мы разберёмся, почему, но вам стоит иметь это в виду. Иногда вам придётся нормализовать входные значения или привести их к определённому интервалу. Если этого не сделать, нейронная сеть не сможет достичь сходимости и сформировать адекватное представление обучающих данных.

Автор: Daniel Jose