Sinir ağları ile nasıl çalışıyorsunuz? - sayfa 4
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
- katman sayısı, girdi vektörünün boyutuna göre belirlenir, yani. ağ, çalışan dizileri tanımlayarak ve başlatarak/okuyarak otomatik olarak oluşturulur;
- gizli katmandaki nöronların sayısı, 1/(2^N) ("belirleyici kristaller") veya 1/N ("bellek kristalleri") yasasına göre artan katman sayısı N ile kademeli olarak azalır;
Herhangi bir fonksiyona yaklaşmak için üç katmanın yeterli olduğu kanıtlanmıştır. Daha fazlasına sahip gibisin. Hangi nedenlerle?
Genel olarak, fikir benim düşüncelerime çok yakın, ancak Millet Meclisi ile tanışma açısından, görünüşe göre çok daha erken bir aşamadayım. Sohbet etmek ilginç olurdu. Bana e-postanı buradan verir misin? Veya bana yazın - yandex ru'da beğenirsiniz.
Bu yaklaşık fonksiyonlarla ilgili değil. Bahsettiğiniz kanıt hakkında hiçbir şey bilmiyorum (çünkü hiçbir zaman projeksiyon ağlarıyla çalışmaya gerek yoktu), ancak genel düşünceler, keyfi fonksiyonlara yaklaşırken, baz fonksiyonlarının tipinin ve tabanın boyutunun bir rol oynadığını gösteriyor. ağın "katmanlanmasından" çok daha büyük bir rol; ancak bu genel olarak projeksiyon yöntemleri için geçerlidir.
Belirtilen ağ konfigürasyonunu tekrar düşündürücü düşüncelerden seçtim: muhtemelen, canlıların beyni bu şekilde düzenlenir ve bu şekilde "öğrenir" - giriş bilgilerinin uyarlanabilir ezberlenmesi ve sınıflandırılması ile. (Aptalca sorularıyla tanıdığı biyologlara ve doktorlara ölesiye işkence etti ama kesin bir şey söyleyemediler, “buna ne gerek var” ve “kes ve kendin dene” dışında.) Dolayısıyla. ağırlıkları ayarlamak için Oya kuralının seçimi - bu Bu durumda, “öğretmenle öğrenmenin” veya “öğretmensiz öğrenmenin” gerçekleşip gerçekleşmediğini kesin olarak söylemek imkansızdır (nedense, böyle bir kavram bölünmesi her zaman olmuştur). bana aşırı yapay geldi). İlginç bir şekilde, ağırlıkları ayarlamanın belirli bir anından başlayarak, böyle bir ağ tahmin edilebilir olmaktan çıkar, başka bir deyişle, şimdiye kadar sadece bir "kristal" hakkında konuşuyor olmamıza rağmen, "davranmaya" başlar.
Kısacası, ağ, ağırlıklarını ayarlama tekniği ile birlikte neredeyse tamamen buluşsal düşüncelerden oluşturulmuştur. Sonuçta, hepimizin burada yenmeye çalıştığı borsada, bu tür düşüncelerin önemli bir rol oynaması muhtemeldir. Sabun: alex-jou Hund rambler Punkt ru (sadece çok büyük bir istek - spam'den kaçınmak için kişi listenize eklemeyin. Genel olarak, herkesi bunu yapmaya çağırıyorum - bu hizmetin faydaları neredeyse sıfır, ve zarar çok büyüktür.)
Herhangi bir fonksiyona yaklaşmak için üç katmanın yeterli olduğu kanıtlanmış görünüyor. Daha fazlasına sahip gibisin. Hangi nedenlerle?
Aslında bir konu. Sinir ağlarıyla nasıl çalışırsınız: yalnızca mql4 araçlarını kullanın (aynı Yapay Zeka), MatLab gibi programları veya özel nöro paketleri (Neuro Shell Day Trader, NeuroSolutions, vb.) kullanın, danışman koduna dll ekleyin. Yaklaşımınız nedir ve diğerlerine göre avantajları nelerdir (kârlılığın yanı sıra)?
Her yaklaşımın kendi avantajları ve dezavantajları vardır:
1. Sinir ağınızı geliştirirken, bir kara kutu ile uğraşmazsınız, tabii ki sadece kaynak kodunu alıp derlemediyseniz, ancak ilgili görev için belirli bir yerde bitirmediyseniz.
2. Markalı bir ağ satın alarak şunları elde edersiniz: para için bir kara kutu, ancak onunla birlikte: destek, hazır çözümler ve markalı giriş tribünleri.
Basitçe söylemek gerekirse, örneğin, zaman serisi tahmini için evrensel bir paket satın alınırsa, kullanıcının oraya ne girildiğini düşünmesi gerekmez. Çünkü pakette zaman serisinin kendisi girdilere olduğu gibi beslenir. Ve zaten paketin kendisinde, ağ girişlerine gönderilmek üzere önceden hazırlanmıştır, yani. ağ eğitmeye başlamadan önce beyazlaşma meydana gelir:
1. Giriş verilerini daha öngörülebilir ve daha az gürültülü hale getirmek için filtreleme ve yumuşatma
2. Normalleştirme
3. Daha az önemli girdileri süzme ve ortadan kaldırma
4. Girdi verileri arasındaki korelasyonları ortadan kaldırın
5. Girdi verilerinden doğrusallığı ortadan kaldırın
6. Normalleştirilmiş veriler için yeterli sigmoid seçimiVb. vb.
Bundan sonra ağ eğitilir. Ardından çıktı verileri geri yüklenir. Örneğin, girişlerde doğrusallık ortadan kaldırılmışsa, paket çıkışlarda onu geri yükleyecektir. Girişlerdeki saçmalıklar, çıkışlarda tatlı yapar. Oldukça mümkündür, çünkü özel bir paketteki bir sinir ağı yerine, bir genetik algoritmanın ve belki bir tür regresyon veya başka bir ekstrapolasyon yönteminin kullanılacağı bir kara kutu ile uğraşıyoruz.
-++++------------------------------------------------ ------------------------------------------------- ---------------------------------++++-
- Bu nedenle, sinir ağı ile oynayacak, ancak "normalleştirme" terimi anlaşılmaz olan kullanıcılar için, ek olarak talep edilecek maksimum zaman serilerini tahmin etmek için evrensel bir paket satın almaları tavsiye edilir. zaman serisinin (tırnak) kendisi gecikmenin boyutudur.
- Sinir ağı mimarilerinin özelliklerini bilen daha ileri düzey kullanıcılar, ör. avantajları ve dezavantajları incelendi, daha özel paketler satın almak gerekiyor. Bu tür paketler şımartmak için uygun değildir, çünkü. belirli bir görev için uygun mimariyi bağımsız olarak seçmeniz gerekecektir. Ve girdilere herhangi bir çöp göndermek gibi "bilimsel" dürtme yöntemi artık burada uygun değil çünkü. yüksek olasılıkla çıkışlarda da çöp olacak.
- Diğer her şey, yani. Kendi kendini bitiren veya genellikle sıfırdan yazılan kaynaklardan ağların birleştirilmesi, yalnızca ağı eğitmeden önce girdi verilerini hazırlama ve eğitimden sonra çıktılarda verileri geri yükleme konusunda gerçek deneyime sahip olanlar için uygundur.
Onlar. Bir sinir ağı paketi seçme ilkesi son derece basittir: Büyük olanın üzerinde yürüyemiyorsanız, anüsünüze eziyet etmeyin. Harika bir paket satın aldıysanız ve kullanımıyla ilgili ekteki kılavuzların yardımıyla kendi başınıza cevaplayamayacağınız herhangi bir sorunuz varsa, bunun tek bir anlamı var: şapka Senka'ya göre değil, yani aptal olanlar için daha az havalı bir şey alın.
Sinir ağları kullanmayan diğer TS'lerde olduğu gibi, diğer açılardan sinir ağlarında tek bir sorun vardır - sinir ağı her zaman herhangi bir zaman aralığında (eğitim veya optimizasyon bölümü) bir model bulacaktır, o zaman aynı soru ortaya çıkar - bu bulunan kalıp gelecekte işe yarayacak mı (kar getirecek)?
Reshetov :
Girdilerdeki bok çıktılarda şekere dönüşüyor.
Asla.
Oldukça mümkündür, çünkü özel bir paketteki bir sinir ağı yerine, bir genetik algoritmanın ve belki bir tür regresyon veya başka bir ekstrapolasyon yönteminin kullanılacağı bir kara kutu ile uğraşıyoruz.
GA, NN ve regresyon ile nasıl ilişkilidir?
NS yoldur.
GA bir yöntemdir.
"Ulusal Meclis GA yerine dahil edin" kulağa çılgınca geliyor. "Kalp yerine egzoz gazı analizörü koyacağız" gibi.
Afedersiniz.
......o zaman aynı soru ortaya çıkıyor - bu düzenlilik gelecekte işe yarayacak mı (fayda)?
Tamamen varsayımsal olarak, bu soruyu yanıtlamanın bir yolunun bulunacağını veya zaten bulunduğunu varsayalım - "Hayır". Üstelik her araç için. Bundan nasıl bir sonuç çıkarılabilir?
Tüccarlar ticareti durduracak mı? Sadece merak ama.
not. Tüccarlar, cevabın "Hayır" olduğuna dair güvenilir bilgi satın alacak mı? Yoksa bu sorunun cevabını bilmemeyi mi tercih ederler? (eğer varsa retorik)
Tamamen varsayımsal olarak, bu soruyu yanıtlamanın bir yolunun bulunacağını veya zaten bulunduğunu varsayalım - "Hayır". Üstelik her araç için. Bundan nasıl bir sonuç çıkarılabilir?
Tüccarlar ticareti durduracak mı? Sadece merak ama.
not. Tüccarlar, cevabın "Hayır" olduğuna dair güvenilir bilgi satın alacak mı? Yoksa bu sorunun cevabını bilmemeyi mi tercih ederler? (eğer varsa retorik)