"New Neural", MetaTrader 5 platformu için bir sinir ağı motorunun Açık Kaynak projesidir. - sayfa 21
Ticaret fırsatlarını kaçırıyorsunuz:
- Ücretsiz ticaret uygulamaları
- İşlem kopyalama için 8.000'den fazla sinyal
- Finansal piyasaları keşfetmek için ekonomik haberler
Kayıt
Giriş yap
Gizlilik ve Veri Koruma Politikasını ve MQL5.com Kullanım Şartlarını kabul edersiniz
Hesabınız yoksa, lütfen kaydolun
Andrey'in (Uzman) bu girişimin ütopik doğası hakkındaki düşünceleri, işe alınan bir uzman, proje yöneticisi ve nihai katılımcılar konseyi tarafından bu kararın duyurulmasına kadar ertelenmelidir. Şimdilik, tema devam ediyor.
Ve sonuç olarak, en azından benzerlik elde etmek için hedeflerinizi ayarlamanız gerekecek.
Kahretsin, beni tam olarak anlamıyor gibisin. Şu anda, genellikle sıradan karamsar tarafı alıyorum.
Evet, kütüphane evrensel olmalıdır, tıpkı bir Lego yapıcısı gibi - canınız ne isterse onu bir araya getirebilirsiniz.
Yani soru değil! Ama her birine ayrı ayrı öğretin. İşleyiş, ortak eğitim için tasarlayabilirsiniz - bu ya cehennem ya da XOR'da bir saat çalışacak ürkütücü beceriksiz bir canavar olacaktır.
Evet, kitaplığın bir şablon uzmanıyla birlikte kullanımı kolay olması gerekir. Programcı olmayan birinin kullanması için yeterince kolay.
Evet, teorik olarak birkaç şablon Uzman Danışmanı onlara veri gönderme otomasyonu ile bombardıman etmek mümkündür, bu programcı olmayanları da basitleştirmek içindir. Ama verileri hazırlamak için en çok aynı.
Evet, kütüphanenin hem girişte hem de çıkışta evrensel bir arayüze sahip olması gerekir, böylece gösterge değerlerinden ...
Yani çok yönlü! Bir dizi çiftler - çok daha çok yönlü mü? Ve komitede asıl mesele, yanaşırken boyutların eşleşmesidir.
Aynı şeyden mi bahsediyoruz? amaç fonksiyonu, ağın çıkışındaki hatayı hesaplayan fonksiyondur.
....
Yani çok yönlü! Bir dizi çiftler - çok daha çok yönlü mü? Ve komitede asıl mesele, yanaşırken boyutların eşleşmesidir.
İçinde! Peki neden bahsediyorum? Daha fazla çok yönlülük için GA tam olarak doğru:
Motor algoritması, netlik için basitleştirilmiş aşağıdaki gibidir:
MLP gridi eklemek istiyoruz, talepte bulunuyoruz, girişte 20 değer, birinci gizli katmanda 10 nöron, ikincide 10 ve çıkışta 1 nöron olsa kaç tane ağırlığı olur?
244 olduğunu söylüyor.
başka bir ızgara eklemek istiyoruz (hangi konu), tekrar istekte bulunuyoruz ..... bize cevap veriyor - 542.
ve bu 244+542=786.
ayrıca SL ve TP'yi aynı anda optimize etmek istiyoruz, artı 2 parametre daha ve bu 786+2=788.
makdi'yi aynı anda optimize etmek istiyoruz, iki parametresi var ve bu 788+2=790.
tamam, diziyi 790 boyutunda yeniden boyutlandırın.
ve işte! GA'da 790 parametreyi optimize edin. bu durum için bir görsel blok oluşturucu eklemeye devam ediyor ve her şey işe yarayacak.
ve ancak o zaman (önceden geliştirilmiş) tek tip arayüz standartlarına uyarak ağ türleri vb. ekleyebilirsiniz.
bunun gibi bir şey.
hadi bir grafik motoru yapalım, evrensel bir ağ yapalım (birkaç seçenek) ve sonra bunu açıklamak için bir uzmanı davet edebilir, bu tür ağ algoritmaları altına alabilir, öğrenme algoritmalarının bir birleşimini oluşturabilirsiniz.
Daha da kolay hale getirilebilir.
Bu durumda, evrensel modellere soyutlama girişimi ile özelden genele gideriz.
1. Gerçekleştirebileceğimiz ağları (kağıt üzerinde + matematiksel modelin sözlü algoritmasını) çiziyoruz (topolojiler ve onlar için öğrenme yöntemleri).
2. Soyut motor sınıfları oluşturmak için çizilen modellerde ortak yerleştirme noktaları buluyoruz.
Temel tuğlaları içlerine germek için daha fazla model düşünmemiz gerekiyor.
Bu soyutlama, insan dili ("yaratıyoruz", "öğretiyoruz", "bir hatayı düzeltiyoruz") kavramları açısından değerlendirilmelidir. Çünkü bu öncelikle modeli basit bir kullanıcı için görsel hale getirecektir. İkinci olarak, bu tür kavram işlevlerinin yeni topolojilere ve yöntemlere genişletilmesi kolaydır.
Daha da kolay hale getirilebilir.
Bu durumda, evrensel modellere soyutlama girişimi ile özelden genele gideriz.
1. Gerçekleştirebileceğimiz ağları (kağıt üzerinde + matematiksel modelin sözlü algoritmasını) çiziyoruz (topolojiler ve onlar için öğrenme yöntemleri).
2. Soyut motor sınıfları oluşturmak için çizilen modellerde ortak yerleştirme noktaları buluyoruz.
İçlerindeki temel tuğlaları ortaya çıkarmak için daha fazla model düşünmemiz gerekiyor.
Bu soyutlama, insan dili ("yaratıyoruz", "öğretiyoruz", "bir hatayı düzeltiyoruz") kavramları açısından değerlendirilmelidir. Çünkü bu öncelikle modeli basit bir kullanıcı için görsel hale getirecektir. İkinci olarak, bu tür kavram işlevlerinin yeni topolojilere ve yöntemlere genişletilmesi kolaydır.
12. sayfada bir evrensel nöron çizdim, ancak orada bir şeyler eksik.
Yani, aktivatördeki bellek alıcı hücreler.
Ama öğretim yöntemleri ile ben geçtim matematikçiler düşünsün: o)
Daha fazla IMHO. Gereksinimlerinizi karşılayan dışarıdan bir uzman danışman bulmanız pek olası değildir. En iyi ihtimalle, kendi seviyenizdeki uzmanlarla müzakerelerde çıkmaza girersiniz, ancak onların seviyesini müzakere aşamasında talep ettiğiniz seviyeye fazla abartarak satmaya çalışırsınız.Bir bütçe varsa, ne olursa olsun, daha fazlasıdır. Metakotaların sübjektif değerlendirmesine dayalı olarak, projenin sonunda eşit veya eşit olmayan şekilde aranızda bölüştürmek için etkilidir.
Bütçeyle bir dakika, ben şahsen anketin ilk maddesini seçtim ve buradaki beyinler karadan değil.
Ve dışarıdan bir uzman hakkında, nereye bakılacağına bağlıdır, en azından eğitim yoluyla bir matematikçi olmalıdır.
Matematiğin yakınında değil, yani bir matematikçi.
Bütçeyle bir dakika, ben şahsen anketin ilk maddesini seçtim ve buradaki beyinler karadan değil.
Ve dışarıdan bir uzman hakkında, nereye bakılacağına bağlıdır, en azından eğitim yoluyla bir matematikçi olmalıdır.
Matematiğin yakınında değil, yani bir matematikçi.
sergeev :
2. Soyut motor sınıfları oluşturmak için çizilen modellerde ortak yerleştirme noktaları buluyoruz.
Bu arada Vladimir, görüş alanını ve ağlarını genişletmek ister misin?
Bence ızgaralar modelleme ve sınıflandırmaya ayrılmıştır. Modelciler, geçmiş fiyatlar gibi bazı girdilere dayanarak bir sonraki fiyatı tahmin etmeye çalışırlar. Bu tür ağ modelleri piyasaya uygulanamaz, IMHO. Sınıflandırma ağları girdileri, yani Al/Sat/Tut veya trend/düz veya başka bir şeyi sınıflandırmaya çalışır. Benim ilgilendiğim şey bu. Bana göre en umut verici sınıflandırma ağı, doğru girdi veri dönüşümüne sahip SVM'dir. Ağın kendisinin giriş verilerinin dönüştürülmesi kadar önemli olmadığını söyleyebilirim, yani SVM yerine RBN gibi başka bir şey kullanabilirsiniz. Son iki yıldır beyin prensibi üzerine kurulu ağlar üzerinde çalışıyorum (bu arada, MLP ve diğer ağların beyinle hiçbir ilgisi yok). Beyin, girdi verilerini (ses, görüntü vb.) SVM gibi bir tür sınıflandırma motoruyla dönüştürmek için birkaç katmana sahiptir. Beyindeki verilerin dönüşümü , her zamanki gibi, boyutu filtreleyerek ve küçülterek gerçekleşir. Filtre özellikleri, Hebbian rekabetçi öğrenme veya diğer kendi kendine öğrenme yöntemleri kullanılarak denetimsiz olarak öğrenilir. Örneklenen verilerin sınıflandırılması öğretmen (geri bildirim) ile gerçekleşir. Daha sonra daha detaylı yazacağım.
MLP
Genelleştirilmiş MLP
Modüler ağlar
Kendi kendini organize eden haritalar
sinir gazı
Rekabetçi öğrenme - bakış açısı
Hebbian - umut verici
FFCPA
Radyal tabanlı ağlar
LSTM
Zaman gecikmeli tekrarlayan
Kısmen tekrarlayan
dalgacık ağları
Tamamen tekrarlayan
nöro bulanık
Destek Vektör Makineleri - perspektif
Özel mimariler - perspektif