Mihail Marchukajtes: Y 现在我明白了。换句话说，我们首先要训练，比如说，一个没有老师的网络。然后我们把得到的数值写入分类器的权重，然后用老师进一步训练分类器。假设我们已经收到了神经元引导的微调的权重，权重继续被优化?????换句话说，通过没有老师的预学习，我们为分类器设置初始权重，使其达到全局最小值。这就是它的工作原理吗？
Техносфера Mail.ru Group, МГУ им. М.В. Ломоносова. Курс "Методы обработки больших объемов данных" (осень 2015) Лекция №11 - "Глубокие нейронные сети" Лектор ...
Mihail Marchukajtes: 我同意你在这里的观点，但我想做一个更正。首先，我想澄清第一点。不是与目标有关，而是要成为目标的原因。也就是说，预测者发生了变化，目标也发生了变化，反之亦然。然 后，第二点就简单地落空了。不需要预期。输入是输出的原因，这就足够了。再说，大家都忘了你在哪里工作。交易所的主要内容是价格。找 到导致价格变化的输入，任何TS，我向你保证，绝对是任何TS都会正常工作。
double NeuralNetwork(double* input, double* bias, double* weight){ double perc_output[3]; //временный массив для хранения промежуточных результатов каждого перцептрона
double nn_input[4]; //массив со входными значениями
double nn_bias[4]; //массив сдвигов, на текущем этапе тут будут рандомные значения double nn_weight[15]; //массив весов, на текущем этапе тут будут рандомные значения
//для всех обучающих примеров находим по очереди результат нейронки. При этом массивы nn_bias и nn_weight не должны меняться double results[trainSampleCount]; // trainSampleCount = число обучающих примеров for(int i=0; i<trainSampleCount; i++){ nn_input = trainSamples[i]; //синтаксис реально не такой, нужно из обучающей таблицы взять i-тую строку и запихнуть в этот массив nn_input results[i] = NeuralNetwork(nn_input, nn_bias, nn_weight); }
Y 现在我明白了。换句话说，我们首先要训练，比如说，一个没有老师的网络。然后我们把得到的数值写入分类器的权重，然后用老师进一步训练分类器。假设我们已经收到了神经元引导的微调的权重，权重继续被优化?????换句话说，通过没有老师的预学习，我们为分类器设置初始权重，使其达到全局最小值。这就是它的工作原理吗？
"深度 "学习是有意义的，因为在反向传播过程中导数的衰减（sigmoid）/爆炸性增长（hyertangent），当层数明显多于4-5层时，这个问题被自动编码器或RBM 逐层预训练的 "拐杖 "所规避。 其本质上是进行分层的非线性特征选择（就像PCA ，只是非线性的，而且是多次的），然后可以由高层轻松处理，然后通过通常的Backprop快速微调整个系统的目标集（有一个老师）。
见：https://www.youtube.com/watch?v=iowsPfk7uUY
当然，有很多 "专家 "拿着文章，在ZZ 上吃着狗肉，他们对所有情况下应该使用R 中的哪个包心知肚明，所以我在空中说，反正没人相信我。深度神经网络，如CNN，当你了解它们是如何工作的时候，你不能用它们来做市场预测，因为这么大的特征层次只需要用于图片、视频和NLP，因为有一个大的层次，我们的世界是这样建立的，物体是由物体组成的，等等。与NLP 相同，因为语言是有层次的。市场上没有这样的事情，你交易的是一种时间框架，小的时间框架上发生的事情对你来说是噪音。投资者在一个时间框架内做出决定，他们不依赖于黄牛和HFTs，更不依赖于对冲者、套利者等的决定。而深层网络中的层次结构意味着一致性，小的定义大的，雪崩由雪花组成。
它看起来很酷，但价格有点贵。
1 我想在免费的东西上练习，看看它是如何在没有滞后的情况下实时工作的，而有一个演示有巨大的滞后。
2 你能简明扼要地描述一下这样的信号是如何在交易中使用的，以及MO？如果不是秘密，当重要消息发布时，你是否有时间交易，或者有人提前一秒、半秒开始冲击市场并上钩？
1 与网站配对。
2 买得比预期好，卖得比预期差。
"深度 "学习是有意义的，因为在反向传播过程中导数的衰减（sigmoid）/爆炸性增长（hyertangent），当层数明显多于4-5层时，这个问题被自动编码器或RBM 逐层预训练的 "拐杖 "所规避。 其本质上是进行分层的非线性特征选择（就像PCA ，只是非线性的，而且是多次的），然后可以由高层轻松处理，然后通过通常的Backprop快速微调整个系统的目标集（有一个老师）。
见：https://www.youtube.com/watch?v=iowsPfk7uUY
当然，有很多 "专家 "拿着文章，在ZZ 上吃着狗肉，他们对所有情况下应该使用R 中的哪个包心知肚明，所以我在空中说，反正没人相信我。深度神经网络，如CNN，当你了解它们是如何工作的时候，你不能用它们来做市场预测，因为这么大的特征层次只需要用于图片、视频和NLP，因为有一个大的层次，我们的世界是这样建立的，物体是由物体组成的，等等。与NLP 相同，因为语言是有层次的。市场上没有这样的事情，你交易的是一种时间框架，小的时间框架上发生的事情对你来说是噪音。投资者在一个时间框架内做出决定，他们不依赖于黄牛和HFTs，更不依赖于对冲者、套利者等的决定。而深网中的等级制度意味着一致性，即小的定义大的，雪花组成雪崩。
"深度 "学习是有意义的，因为在反向传播过程中导数的衰减（sigmoid）/爆炸性增长（hyertangent），当层数明显多于4-5层时，这个问题被自动编码器或RBM 逐层预训练的 "拐杖 "所规避。 其本质上是进行分层的非线性特征选择（就像PCA ，只是非线性的，而且是多次的），然后可以很容易地由高层处理，然后通过通常的Backprop快速地按目标集微调整个系统（有老师）。
见：https://www.youtube.com/watch?v=iowsPfk7uUY
当然，有很多 "专家 "拿着文章，在ZZ 上吃着狗肉，他们对所有情况下应该使用R 中的哪个包心知肚明，所以我在空中说，反正没人相信我。深度神经网络，如CNN，当你了解它们是如何工作的时候，你不能用它们来做市场预测，因为这么大的特征层次只需要用于图片、视频和NLP，因为有一个大的层次，我们的世界是这样建立的，物体是由物体组成的，等等。与NLP 相同，因为语言是有层次的。在市场上没有这样的事情，你交易的是一种时间框架，在较小的时间框架上发生什么对你来说是噪音。投资者在一个时间框架内做出决定，他们不依赖于黄牛和HFTs，更不依赖于对冲者、套利者等的决定。而深层网络中的等级制度意味着连贯性，即小的决定大的，雪花组成雪崩。
出于某种原因，谈话不断地滑向对这种或那种模式的优点和缺点的讨论。
即使我的经验不那么丰富，模型本身对成功交易的贡献也非常小。
正是对目标及其预测因素的定义，决定了它。
关于ZZ的例子，我多次试图表明，即使像ZZ这样明显的、能说明问题的、美丽的目标变量也是不一样的，在仔细检查时有无法克服的障碍。
如果我们谈论预测因素，对我这个一生都在从事经济工作的人来说，非常明显的是：。
如果一个人只专注于解决这两个基本面的经济和外汇预测，那么成功将只来自这两个参数。而选择与目标及其预测因子最匹配的模型只能略微提高性能，可能会对模型的寿命给出一些有效的考虑，而不需要重新训练。
我再次呼吁将重点放在目标变量上，并对这个特定的目标变量的预测因素进行论证。
PS。
进入货币对的相互关系。得到了一些令我惊讶的结果。特别是。
进入货币对的相互关系。得到了一些令我惊讶的结果。特别是。
出于某种原因，谈话不断地漂移到对某些模型的优点和缺点的讨论。
尽管没有多少经验告诉我，对成功交易的贡献是非常小的。
正是对目标及其预测因素的定义，决定了它。
关于ZZ的例子，我多次试图表明，即使像ZZ这样明显的、能说明问题的、美丽的目标变量也是不一样的，在仔细检查时有无法克服的障碍。
如果我们谈论预测因素，对我这个一生都在从事经济工作的人来说，非常明显的是：。
如果一个人只专注于解决这两个基本面的经济和外汇预测，那么成功将只来自这两个参数。而选择与目标及其预测因子最匹配的模型只能略微提高性能，可能会对模型的寿命给出一些有效的考虑，而不需要重新训练。
我再次呼吁将重点放在目标变量上，并对这个特定的目标变量的预测因素进行论证。
PS。
进入货币对的相互关系。得到了一些令我惊讶的结果。特别是。
Mihail Marchukajtes:
我同意你在这里的观点，但我想做一个更正。首先，我想澄清第一点。不是与目标有关，而是要成为目标的原因。也就是说，预测者发生了变化，目标也发生了变化，反之亦然。然 后，第二点就简单地落空了。不需要预期。输入是输出的原因，这就足够了。再说，大家都忘了你在哪里工作。交易所的主要内容是价格。找 到导致价格变化的输入，任何TS，我向你保证，绝对是任何TS都会正常工作。
=================================================================================
这绝对是正确的观点。只是我想重新表述一下：目标应该由预测者产生。
尽管如此，你并没有回答如何用R实现的问题，如果我理解正确的话。
答案并不那么简单。这里有一个方法，例如，用神经元，但你需要了解神经元是如何工作的，它有哪些公式，等等。
假设有一个简单的神经元，有四个输入，隐藏层的三个感知器，和一个输出。这样一个神经元在数学上的工作方式是这样的。
double sigmoid(double x)
{
return 1.0 / (1.0 + exp(-x));
}
double NeuralNetwork(double* input, double* bias, double* weight){
double perc_output[3]; //временный массив для хранения промежуточных результатов каждого перцептрона
double perc_output[0] = sigmoid(bias[0] + input[0] * weight[0] + input[1] * weight[1] + input[2] * weight[2] + input[3] * weight[3]);
double perc_output[1] = sigmoid(bias[1] + input[0] * weight[4] + input[1] * weight[5] + input[2] * weight[6] + input[3] * weight[7]);
double perc_output[2] = sigmoid(bias[2] + input[0] * weight[8] + input[1] * weight[9] + input[2] * weight[10] + input[3] * weight[11]);
double result = sigmoid(bias[3] + perc_output[0] * weight[12] + perc_output[1] * weight[13] + perc_output[2] * weight[14]);
return result;
}
现在你可以拿一个有训练实例的表格，并找到每个实例的结果
double nn_bias[4]; //массив сдвигов, на текущем этапе тут будут рандомные значения
double nn_weight[15]; //массив весов, на текущем этапе тут будут рандомные значения
//для всех обучающих примеров находим по очереди результат нейронки. При этом массивы nn_bias и nn_weight не должны меняться
double results[trainSampleCount];
// trainSampleCount = число обучающих примеров
for(int i=0; i<trainSampleCount; i++){
nn_input = trainSamples[i]; //синтаксис реально не такой, нужно из обучающей таблицы взять i-тую строку и запихнуть в этот массив nn_input
results[i] = NeuralNetwork(nn_input, nn_bias, nn_weight);
}
接下来，例如，在结果数组中绘制预测的利润，并对其进行评估。
上面的代码可以塞进优化器。优化器应该在nn_bias和nn_weight数组中找到合适的权重和偏移值。
1）根据其算法，改变nn_bias和nn_weight的值
2）找到所有训练实例的结果
3）绘制交易图
4）估计交易图，用这个估计值作为后续优化步骤的适配值
5) 重复优化算法的第1-4步，直到利润表变得可以接受为止。
这就是它的全部内容，但有一个细微的差别--我试过的那些优化器不能处理权重，它们只是在所有结果都等于0.5时找到某个局部最小值，以最小化平均误差，然后卡在那里。你需要在这里运用一些技巧，我还没有任何进一步的进展。
神经元的结构越复杂--权重就越多，优化算法就越难选择它们，在大的神经元上，它们只是停滞不前，几乎不能改善最初的结果。
你必须在这里运用某种技巧。
这个技巧其实是已知的，只是我没有看到任何软件来实现它。衍生品。
神经元、平衡绘图、图形评估都是公式。因此，你可以找到nn_bias和nn_weight相对于最终估计值的导数。
在一些关于MO的培训视频中，讲师谈到了未来的新的编程语言，例如有人正试图制作一种语言，可以自动计算任何复杂公式中任何变量的导数（不是通过重新计算一个小的数值，而是通过分析）。这就是那种会有帮助的东西。
也就是说，通常采取一个训练的例子，对于每一个权重，分析地确定它对结果的改善程度，权重也相应地略微增加或减少。我们也需要这样做，但不是一次一个例子，而是针对所有的例子，导数不是针对训练结果一个一个地寻求，而是立即针对图形的最终评估。
还有一个小缺点--所有这些在这种形式下都不会对交易有帮助。我们只是调整理想图表的权重，我们会在新数据上得到100%的过度训练和暴跌。为了获得真正的利润，有必要对神经元的结构进行调整，最终它可能会成为类似卷积网络 的东西。