交易中的机器学习：理论、模型、实践和算法交易 - 页 1427

新评论
 
尤里-阿索连科。
NS是与优化器相同的配合，甚至更多。
层的数量和其中的神经元由手头的具体任务决定。
没有任何理论培训，最好不要从事NS。

外行的立场基于一个简单的事实：你不需要成为一个科学家来使用电力和wi-fi。因此，这里也是一样的：你们--科学家，使用分析，其本质意味着分成几个部分，然后进行综合，捡起超自然的东西的碎片，而我们，小人物，则在一旁等待，当你把一个接口连接到你的脑海中，显示 "哪里可以戳")我按说明 "创建 "了一个神经元组，对其进行了训练，并在MQL5中"编写 "了一个专家顾问（我这辈子都不会学任何东西）。但因为在MQL5的 "文章 "部分，它被认为是mauvais ton，他们通常会在结尾处写上 "这篇文章的目的不是为了创建一个有利可图的交易系统......"，所以留下了机动的空间。我正在等待下一位科学家，他将告诉我应该 "按 "什么）））。

 
阿列克谢-维亚兹米 金。

在我看来，这就是问题所在--没有逻辑，因此完全可以自由地对价格历史进行最佳近似。对于一个静止的过程，这将是正确的方法，但在我们的案例中，它并不完整，因此不是静止的。使用有想法的预测器--在我看来这更正确。

顺便问一下，网络中每层有多少个输入神经元和神经元的层数？

谢谢你的澄清。

这张图片显示了有3层、每层20个神经元的网络。我可以在程序中创建最多10层100个神经元（需要很长时间来学习，我试过一次）。

 
佩特罗斯-沙塔赫兹扬。

没有MO或神经网络在外汇中是有用的。

它们是有用的。他们在解决某些类别的任务方面非常出色。哪些人，在任何关于NS的书中都有记载。
 
尤里-阿索连科。
NS是与优化器相同的配件，甚至更多。
层的数量和其中的神经元由手头的具体任务决定。
没有任何理论培训，最好不要做NS。

一般来说，粗略地说是这样的。优化器，网格或 "遗传"，对于少数（几十个）相对独立的参数，计量分布相对均匀的情况下，可以很好地搜索出一个最佳状态，当参数高度依赖，其分布远非均匀，这适用于有很多（维度的诅咒），随机搜索，尤其是网格，是无效的。例如，为什么不能用遗传算法 训练多层渗透器。反向传播可以通过 "拟合 "数百甚至数千个（所有网络神经元的所有权重）参数来完成，这当然可以 "拍摄 "任何多维噪音，将重新调整的艺术提升到一个新的水平，与掺杂指标的做法相比较。

 
尤里-阿索连科。
适合。它们能很好地解决某些类别的任务。哪些人，在任何关于NS的书中都有记载。

当然，对于某些任务来说，它们是不可缺少的。例如，在国际象棋或识别指纹和不同的模式，在标准动作等方面。

 
伊万-布特科。

这里是绊脚石，等待下一个专家告诉我接下来要 "按 "什么））））。

按键不再是一个问题。你不需要知道任何事情--只需按下按键。

整个问题是为国防部设定一个具体的任务。而且没有人可能为你或为你做这件事。

 
佩特罗斯-沙塔赫兹扬。

当然，对于某些任务来说，它们是不可缺少的。例如，在下棋或识别指纹和各种图案时，在标准动作中，等等。

尤里-阿索连科。

按键不再是一个问题。你不再需要知道任何事情--只需按下按键。

这都是为国防部设定具体任务的问题。而这是不可能为你或由其他人来做的。

据我所知，在外汇市场上，NA的最初问题是在图表上识别数字。而其余的都是企图颠覆NS的行为）。

 
NeuroPro已经试过了。我想我将用10个单词再试一次，每个单词有100个神经元（只是为了好奇）。

然后我将进入下一篇文章，使用NeuroSolution（或类似的东西）。
 
佩特罗斯-沙塔赫兹扬。

当然，对于某些任务来说，它们是不可缺少的。例如，在下棋或识别指纹和各种图案时，在标准化的动作中，等等。

嗯，也是在市场上。这方面的一个例子是可训练的逻辑。与其自己写无休止的条件，不如在那里放一个NS--15分钟，就可以完成。问题是如何把NS放在那里）。

 
伊万-布特科。

据我所知，NS在外汇中的最初任务是识别图表上的形状。而其余的都是企图变态的NS)))

市场不 记得它们，也无法 "看到 "它们。 有多少个版本的 "佩特恩相关者 "已经把佩特恩七巧板炸开了？

1...142014211422142314241425142614271428142914301431143214331434...3399
新评论