神经网络 - 页 12

[Владимир]

registred >> :
不过我喜欢这个。 >>)在我的时代，在外汇交易之前，我是多么的痛苦啊:)。

你的痛苦是否带来了期待已久的结果，即通过成功创建和使用神经网络的专家顾问来增加你的个人财富？或者说这都是胡说八道。:)

[Владимир]

StatBars >> :

>>输出、输入是什么？

用多少个教师值来训练一个神经网络比较好？例如，如果网络响应上有四个可能的行动。如果你使用4个值，我注意到误差比你平滑出平均值的时候更大。多少个是最佳的？在所附文件中，左边是实际输出，右边是网络训练时的数值。

[[删除]]

Burgunsky >> :

你的折磨带来了期待已久的结果，即通过成功地创造和应用神经网络顾问的生活来增加个人的财务福祉？或者说，这是个垃圾。:)

科霍宁是的，有时它有帮助。BackProp - 你需要一个老师。尝试过教学，结果是否定的。你需要知道到哪里去找老师。就像我读过的许多文章一样，都是胡说八道。所以我把它扔进了垃圾桶。也许我错了，这里的其他人会告诉你关于反托拉斯的情况。顺便说一下，马卡连科、戈洛夫科有一些有趣的东西，例如在他关于神经信息学MEPhI的讲座中，我建议你去读一下。

[[删除]]

registred писал(а)>>

你必须知道到哪里去找老师。

你不能自己写吗？

[[删除]]

Swetten >> :

你不能自己写吗？

如果对网络产出有建议，即教师，请说明你的看法。我没能得到任何结果。起初似乎很酷，然后就走下坡路了。

[Владимир]

向公众提出一个简单的问题。
我试着用脚本来寻找不一致的输入向量。如果输入矢量有一定的偏差，或与另一个矢量完全重合，看老师在这些条上怎么说。如果它说的是直接相反的结果--输入是不一致的。输入是AO的指示，教师是伊万诺夫文凭中的MRR的类似物。所以，如果偏差不设为零，而是稍大一点（例如0.5），脚本就会发现很多矛盾的向量。如果偏差更大，就会发现更多，等等。换句话说，事实证明，每个向量都是完全独立的。那么，在这种情况下，如何才能像Kohonen网那样，试图将向量组合成相似的向量组呢？

[Alexey Subbotin]

Burgunsky >> :
给公众的一个小问题。
我试图用一个脚本来搜索不一致的输入向量。如果一个输入向量有一定的偏差，或者与另一个向量完全重合，请看老师在这些条形图上是怎么说的。如果它说的是直接相反的结果--输入是不一致的。输入是AO的指示，教师是伊万诺夫文凭中的MRR的模拟物。所以，如果偏差不设为零，而是稍大一点（例如0.5），脚本就会发现很多矛盾的向量。如果偏差更大，就会发现更多，等等。换句话说，事实证明，每个向量都是完全独立的。那么，在这种情况下，如何才能像Kohonen网那样，试图将向量组合成相似的向量组呢？

这不是关于每个矢量是否是个体的问题。这是关于矢量本身是如何组成的。要明白，神经网络只是一个解释数据的工具，它不是一个 "聪明的人工智能"，可以向它输入任何你想要的东西，它就会自己理解一切。国家安全局根据条件反射的最原始规则工作--影响->反应。这就是为什么你向它展示AO信号，或任何其他指标，或你的星座一般--这并不重要；如果初始信号不包含有用的信息，网络将不会从中得到任何东西。试想一下，你给它看了，比如说，二十个AO的样本。现在想象一下，有多少种不同的市场情况会导致形成这样的（或 "几乎是这样的"--在相关性方面）序列。即使只有两个人（极限情况）--他们给出截然相反的结果的概率也是不容忽视的。如果有更多的人呢？而一般来说，她怎么会知道你给她看的是AO还是AC，或者是太阳活动的图表？这就是所谓的 "不一致向量 "的来源--来自原始数据，因为所谓的不一致实际上是说，网络，或者说它所描述的数学模型，由于缺乏足够的论据，在这种情况下根本无法做出决策。

不要把时间浪费在光秃秃的价格和AO等线性指标的训练网络上--它已经落后于我们一个阶段，大量的实验证明它至少是无利可图的。挖掘非线性的一面，隔离主要成分，等等。网络只有在分析有意义的数据时才能成功工作--而只有程序员的头脑才能理解这些数据（不一定是唯一的--它可以连接到各种技术工具）。

[Владимир]

to alsu: 非线性数据是不是非线性的？你能不能给我一个非线性的例子，因为我不确定如何在这种情况下应用它。 总的来说，我的网络数学模型在某种程度上变成了线性的，因为它在调谐后只有两个版本的输出。

[Alexey Subbotin]

Burgunsky >> :
非线性数据是一种非分类数据吗？

我宁愿说在某种程度上反映了正在发生的过程的基本本质，而不是其外部表现。一个交易员首先要有什么？有一个新闻流，一个价格流和一个数量流（事实上，数据是不一致的）。如果后两个对象已经 "数学化 "了，可以说--用数字表示，那么对于新闻，问题就更复杂了--首先，它们必须被获得，其次，以某种方式被形式化（嗯，那是一个单独的话题，最近这里甚至有一个关于它的主题）。

因此，我们的任务是以可消化的形式向神经网络展示这一切。这就是想象一下，一只鹦鹉已经被教育了一百年，对相当具体的短语作出某种反应，例如，"买""卖 "和 "sitikuri"。显然，给他举例说 "在过去的九天里，价格一直是这样的（从某某上升到某某，然后下降，然后--特别注意，波普卡--形成这样的模式），交易量是这样的，市场对当时发表的新闻有反应，所有这些都是在某某趋势的背景下发生的"。- 而在他的鹦鹉脑袋里，经过上述的一百年--甚至可能是无意识的--会形成一幅市场形势图，之后他将有一定的概率给出正确的答案。如果我们告诉他 "昨天的价格是这样的，昨天也是这样的，一个月都是这样的"，他根本不知道该坚持什么，因为在同质化的信息流中挑出有意义的元素的任务对他的小脑袋来说是个沉重的负担。因此，他最多只能模糊地知道在做决定时应该注意什么，如果我们要太勤奋地责骂他的错误答案（阅读：与老师一起训练：），他就会完全迷失，完全无知地离开学习过程。

另一个比喻：你和我是如何用眼睛来识别物体的？粗略地说，我们的意识并不分析直接来自视网膜的一组像素；它接收的是一个现成的视觉图像，用于分析和识别--也就是说，为了理解我们看到的东西，相应的大脑部分连同图像本身已经为我们提供了一个需要注意的特征清单；也就是说，这些数据已经为最终分析做好了准备；它们已经含有一定的语义负荷。

挑出重要的，舍弃不重要的，这就是我对非线性处理的理解。

[Alexey Subbotin]

思考这个问题是很有用的。假设我们有一个神经网络，它被训练成根据某些输入信号在90%的时间内给出正确答案（索罗斯休息）。显然不是，因为关于需要什么输入以及如何解释输出的信息并不存储在网络中，而是存储在其创建者的头脑中。因此，虽然网络经过了训练，但结果却是毫无用处。再一次。NS只是一种工具（我认为，不比任何其他可用的工具好或差），拥有它和知道如何使用它是非常不同的事情。