"Üçüncü Nesil Nöral Ağlar: Derin Ağlar" makalesi için tartışma
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
Yeni makale Üçüncü Nesil Nöral Ağlar: Derin Ağlar yayınlandı:
Bu makale, makine öğreniminde yeni ve perspektif bir yön için ayrılmıştır - derin öğrenme veya daha doğrusu derin nöral ağlar. Bu, ikinci nesil nöral ağlar, bağlantılarının mimarisi ve ana türleri, öğrenme yöntemleri ve kuralları ve ana dezavantajları, ardından üçüncü nesil nöral ağ geliştirme tarihi, ana türleri, özellikleri ve eğitim yöntemleri hakkında kısa bir incelemedir. Gerçek veriler ile yığınlanmış bir otomatik kodlayıcının ağırlıkları tarafından başlatılan derin nöral ağ oluşturma ve eğitimi üzerine pratik deneyler yürütülmektedir. Girdi verilerinin seçilmesinden metrik türetmeye kadar tüm aşamalar ayrıntılı olarak tartışılmıştır. Makalenin son kısmı, MQL4/R'ye dayalı yerleşik göstergeye sahip bir Expert Advisor içinde derin nöral ağın yazılım uygulamasını içermektedir.
Kısıtlı bir Boltzmann makinesinin (RBM) tarihine odaklanmayacağız. Tüm bilmemiz gereken bunun, eğitilmesi çok zor tekrarlayan geri bildirimli nöral ağlarla başladığıdır. Bu öğrenme zorluğu nedeniyle daha fazla kısıtlı tekrarlayan model ortaya çıktı, böylece daha basit öğrenme algoritmaları uygulanabildi. Bir Hopfield nöral ağı bu tür modellerden biriydi. John Hopfield nöral ağ dinamiklerini termodinamik ile karşılaştırarak ağ enerjisi kavramını tanıtan kişiydi.
RBM yolunda bir sonraki adım, normal Boltzmann makineleriydi. Bunlar stokastik bir yapıya sahip olmaları bakımından Hopfield ağından farklıdırlar ve nöronları, görünür ve gizli durumlarını tanımlayan iki gruba ayrılır (gizli bir Markov modeline benzer). Sınırlı bir Boltzmann makinesi, bir katmanın nöronları arasında bağlantı olmadığı zaman standart olandan farklıdır.
Şek. 9 RBM yapısını temsil etmektedir.
Şek. 9. Bir RBM yapısı
Bu modelin özelliği, bir grubun nöronlarının mevcut durumlarında, diğer grubun nöron durumları ile birbirinden bağımsız olmasıdır. Şimdi bu özelliğin kilit role sahip olduğu teoriye geçebiliriz.
Yazar: Vladimir Perervenko