Про нейронные сети, как один из инструментов решения трудноформализуемых задач уже было сказано достаточно много. И здесь, на хабре, было показано, как эти сети применять для распознавания изображений, применительно к задаче взлома капчи. Однако, типов нейросетей существует довольно много. И так ли хороша классическая полносвязная нейронная...
То, о чем я попытаюсь сейчас рассказать, выглядит как настоящая магия. Если вы что-то знали о нейронных сетях до этого — забудьте это и не вспоминайте, как страшный сон. Если вы не знали ничего — вам же легче, полпути уже пройдено. Если вы на «ты» с байесовской статистикой, читали вот эту и вот эту статьи из Deepmind — не обращайте внимания на...
以这种方式评估交易的很难，因为还有一个交易持续时间，止损位也需要加入其他的东西，而且需要定期重新训练......所以，总的来说，是个遗憾 :)
是的，我已经看了很久了。它本身并不太坏，但云雾缭绕的情况不太适合建造TS。
你可以出售信号:))通过api访问，如果模型是酷的。
坐在那里。阅读国防部专著的PDF文件。引用。
事实证明，也没有必要抽动，NS似乎是最好的选择。
坐在那里。阅读国防部专著的PDF文件。引用。
事实证明，也没有必要抽动，NS似乎是最好的选择。
而我在阅读海金的同时也在观看
这部电影很有气氛......最后什么会赢？ 蛋白质生命还是人造生命，还是会有介于两者之间的东西被创造出来？:)
顺便说一下，有些消息来源说，最近流行概率论的NN。我的朋友小声说......但他对它们了解很多，他参加了谷歌的比赛。
而且我一直在读海金的书，看
这部电影很有气氛......最后什么会赢？ 蛋白质生命还是人造生命，还是会有介于两者之间的东西被创造出来？:)
顺便说一下，一些消息来源说，最近流行概率论的NN。我的朋友这么说......但他对这些东西了解很多，他参加了谷歌的比赛。
昨天我发现卷积NN--通常用于图像识别。自然，还有所有的公用事业--培训等。为在Python中使用而制作。
还有反复出现的等等，但还不是很有趣。
由于卷积网络不是完全网格化的，我们可以大大增加神经元的数量而不损失性能。但我必须了解细节，我还没有进入细节。
热门描述 -https://geektimes.ru/post/74326/昨天我发现了一个卷积NS--通常用于图像识别。自然，所有的公用设施都可以使用--培训等。为在Python中使用而制作。
还有反复出现的等等，但还不是很有趣。
由于卷积网络不是完全网格化的，我们可以大大增加神经元的数量而不损失性能。但我仍然要深入了解细节--我还没有进入这个领域。
热门描述 -https://geektimes.ru/post/74326/嗯，这很深，它们主要用于图像和计算机视觉。你需要大量的例子和层次来使它发挥作用。建筑本身复制了视觉系统
试试Python PNN，它们对时间序列预测更有意义。
https://habrahabr.ru/post/276355/
嗯，这是在后方，它们主要用于图像和计算机视觉。这需要大量的例子和层次来使其发挥作用。建筑本身复制了视觉系统
在预测时间序列时，它们对我来说似乎更有意义，因为它们可以代替PNN python等价物。
https://habrahabr.ru/post/276355/
再一次，我没有预测什么。我只有一个分类。
我一直在寻找一个不完整的网络，已经有很长一段时间了。MLP都是好的，但在那里所有的输入都是一次性进入每个神经元的。啊，这正是我们需要的，这样，只有5-6个移位的输入进入神经元，这就是卷积式NS。
这里没有什么复杂的东西，你只需要100-150个神经元，因此，由于神经元的输入较少，结构简单，速度快，如同有60个神经元的MLP。
再次强调，我不是在预测什么。我只有一个分类。
我一直在寻找一个不完整的网络，已经有很长一段时间了。MLP都很好，但所有的输入都是一次性进入每个神经元。啊，这正是我们需要的，这样，只有5-6个移位的输入进入神经元，这就是卷积式NS。
这里没有什么复杂的东西，我们只需要100-150个神经元，所以结构很简单，速度会像有60个神经元的MLP一样，代价是神经元的输入数量减少。
好吧，有一个分类器，什么阻止你寻找一个不完整的分类器。比如说，这就是我喜欢的方式。
这本书将充满屏幕截图 :)
我再次强调，我不是在预测什么。我只有一个分类。
我一直在寻找一个不完整的网络，已经有很长一段时间了。MLP都很好，但所有的输入都是一次性进入每个神经元。啊，这正是我们需要的，这样，只有5-6个移位的输入进入神经元，这就是卷积式NS。
这里没有什么复杂的东西，我们只需要100-150个神经元，所以结构很简单，速度会和有60个神经元的MLP相似，因为神经元的输入数量较少。
使用卷积层的想法已经酝酿了很久了。我认为他们能带来好的结果。
但不要扔掉多层透镜。聚合网络 本身并不学习任何东西，它们只是提供一些输入信息的紧凑图像。
有一个分类器，那么有什么可以阻止你去寻找一个不完整的分类器。