"New Neural" ist ein Open-Source-Projekt für neuronale Netzwerke für die MetaTrader 5-Plattform. - Seite 21

Neuer Kommentar
 
sergeev:

Andreys (TheExpert) Meinung über den utopischen Charakter dieser Idee sollte beiseite gelassen werden, bis der beauftragte Experte, der Projektadministrator und das endgültige Konsilium der Teilnehmer dieses Urteil verkünden. In der Zwischenzeit bleibt das Thema auf dem Tisch.

Das hat zur Folge, dass Sie Ihre Ziele anpassen müssen, um zumindest Ähnlichkeit zu erreichen.

Mann, du scheinst mich nicht ganz zu verstehen. Ich gehöre zur bodenständigen, pessimistischen Seite.

Ja, die Bibliothek sollte universell sein, wie ein Lego-Set - man kann alles zusammenbauen, was man will.

Also, kein Problem! Aber unterrichten Sie jeden einzeln. Sie können es für die Funktionalität zu tun, kooperative Ausbildung ist entweder eine Hölle oder ungeschickt Monster, das eine Stunde verbringen, um XOR zu lernen.

Ja, die Bibliothek sollte einfach zu benutzen sein, was einen Vorlagenexperten erfordert. Es ist so einfach zu bedienen, dass es auch von Nicht-Programmierern verwendet werden kann.

Theoretisch ist es möglich, zur Vereinfachung und für Nicht-Programmierer eine Reihe von Muster-EAs zu erstellen und ihre Datenzufuhr zu automatisieren. Die Daten sollten aber trotzdem selbst aufbereitet werden.

Ja, die Bibliothek sollte eine universelle Schnittstelle sowohl am Eingang als auch am Ausgang haben, so dass man alles daran anschließen kann, von Indikatorwerten bis zu...

Es ist also universell! Eine Reihe von Fehlern - wie viel universeller geht es noch? Wichtig ist im Ausschuss, dass die Abmessungen beim Andocken übereinstimmen.

 
Urain:
Die Zielfunktion ist diejenige, die den Fehler der Netzausgabe berechnet.
Die Zielfunktion ist das, was wir anstreben. In der Norm - Minimierung des RMS-Ausgangsfehlers im Vergleich zum Benchmark.
 
TheXpert:
....

Es ist bereits universell! Eine Reihe von Doppelgängern ist viel universeller? Und das Wichtigste in einem Ausschuss ist, dass die Abmessungen im angedockten Zustand übereinstimmen.

Wie meinen Sie das? Für die Vielseitigkeit ist der GA genau richtig:

Der Motoralgorithmus ist aus Gründen der Übersichtlichkeit stark vereinfacht:

Wenn wir ein MLP-Gitter hinzufügen wollen, fragen wir, wie viele Gewichte es haben wird, wenn wir 20 Werte eingeben, 10 Neuronen in der ersten versteckten Schicht, 10 in der zweiten und 1 in der Ausgabe?

Sie sagt uns, dass 244.

Wir wollen ein weiteres Raster hinzufügen (was auch immer das ist), also fragen wir ..... erneut und es sagt uns 542.

also 244+542=786.

Wir wollen auch SL und TP optimieren und zwei weitere Parameter hinzufügen, also 786+2=788.

wir wollen auch macdi optimieren, es hat zwei Parameter, also 788+2=790.

OK, wir ändern die Größe des Arrays auf 790.

und voilà, wir werden 790 Parameter in GA optimieren.

und dann können Sie Netzwerktypen und andere Dinge so viel wie möglich hinzufügen, wobei Sie sich an die (im Voraus entwickelten) einheitlichen Schnittstellenstandards halten.

etwa so.

 
Urain:

Wir sollten eine Graph-Engine entwickeln, ein universelles Netz (mit mehreren Varianten) erstellen und dann einen Experten bitten, es zu interpretieren.

Wir können es noch einfacher machen.

In dieser Situation gehen wir vom Besonderen zum Allgemeinen über, wobei wir versuchen, zu universellen Modellen zu abstrahieren.

1. Zeichnen Sie (auf Papier + verbaler Algorithmus der Matrix) Netzwerke, die wir implementieren können (Topologie und Trainingsmethoden für sie).
2. Finden Sie gemeinsame Andockpunkte in den gezeichneten Modellen, um abstrakte Motorklassen zu erstellen.

Wir müssen uns mehr Modelle ansehen, um die Grundbausteine auf diese Weise zu erfassen.

Diese Abstraktion wird notwendigerweise aus dem Blickwinkel menschlicher Sprachkonzepte ("erstellen", "lernen", "einen Fehler beheben") betrachtet. Dadurch wird das Modell erstens für den normalen Benutzer verständlich. Zweitens lassen sich solche Funktions-Notationen leicht auf neue Topologien und Methoden erweitern.

 
Eine weitere imho. Es ist unwahrscheinlich, dass Sie von außen einen Fachberater finden, der Ihren Anforderungen entspricht. Im besten Fall werden Sie sich in Verhandlungen mit Fachleuten auf Ihrem Niveau verzetteln, die aber versuchen, ihr Wissen zu verkaufen, indem sie während der Verhandlungen ihr Niveau für das, was Sie wollen, zu hoch ansetzen. Wenn es ein Budget gibt, egal welches, ist es effizienter, es am Ende des Projekts zwischen Ihnen aufzuteilen, entweder gleichmäßig oder nicht gleichmäßig, basierend auf einer subjektiven Einschätzung der Meta-Quoten.
 
sergeev:

Wir können es noch einfacher machen.

In dieser Situation gehen wir vom Besonderen zum Allgemeinen über und versuchen, zu universellen Modellen zu abstrahieren.

1. Zeichnen Sie (auf Papier + verbales Algorithmus-Matmodell) Netzwerke, die wir implementieren können (Topologie und Trainingsmethoden).
2. Finden Sie gemeinsame Andockpunkte in den gezeichneten Modellen, um abstrakte Motorklassen zu erstellen.

Wir müssen uns mehr Modelle ansehen, um die Grundbausteine auf diese Weise zu erfassen.

Diese Abstraktion wird notwendigerweise aus dem Blickwinkel menschlicher Sprachkonzepte ("erstellen", "lernen", "einen Fehler beheben") betrachtet. Dadurch wird das Modell erstens für den normalen Benutzer verständlich. Zweitens können solche Funktionen und Begriffe leicht auf neue Topologien und Methoden erweitert werden.


Ich habe auf Seite 12 ein universelles Neuron gezeichnet, aber es fehlt noch etwas.

Nämlich die Speicherempfangszellen im Aktivator.

Aber auf die Ausbildungsmethoden verzichte ich, das sollen die Mathematiker übernehmen :o)

 
Mischek:
Eine weitere imho. Es ist unwahrscheinlich, dass Sie draußen einen Fachberater finden, der Ihre Anforderungen erfüllt. Wenn Sie ein Budget haben, egal welcher Art, ist es effektiver, es am Ende des Projekts zwischen Ihnen aufzuteilen, entweder zu gleichen Teilen oder nicht zu gleichen Teilen, basierend auf einer subjektiven Einschätzung der Methaquotas.

Moment mal mit dem Budget, ich habe mich persönlich für den ersten Punkt in der Umfrage entschieden, und ich meckere hier nicht wegen des Metalls.

Und was einen Außenstehenden betrifft, so kommt es darauf an, wo man nachschaut, zumindest sollte es ein ausgebildeter Mathematiker sein.

Nicht in der Nähe der Mathematik, aber ein Mathematiker.

 
Urain:

Moment mal mit dem Budget, ich persönlich habe mich für den ersten Punkt der Umfrage entschieden, und ich werde mein Gehirn hier nicht für Metall trocknen.

Und was einen Außenseiter betrifft, so kommt es darauf an, wo man hinschaut, zumindest sollte es sich um einen ausgebildeten Mathematiker handeln.

Nicht in der Nähe matematicheskoy lag, nämlich die Mathematiker.

Sie versuchen zunächst, eine allgemeine oder fast allgemeine Meinung über die Anforderungen an einen Spezialisten zu formulieren
 

sergeev:

2. Finden Sie gemeinsame Andockpunkte in den gezeichneten Modellen, um abstrakte Motorklassen zu erstellen.

Ich habe einen Beispielcode gezeichnet und ausgelegt. Alle einfachen Modelle passen auf diese Einheiten.
 
TheXpert:
Übrigens, Vladimir, möchtest du deine Ansichten und Maschen weiter ausführen?

Meiner Meinung nach sind die Raster in Modellierungs- und Klassifizierungsraster unterteilt. Bei der Modellierung wird versucht, den nächsten Preis auf der Grundlage einiger Eingabedaten, z. B. vergangener Preise, vorherzusagen. Solche Netzmodelle sind IMHO nicht auf den Markt anwendbar. Klassifizierende Netze versuchen, die Eingabedaten zu klassifizieren, d.h. Kaufen/Verkaufen/Halten oder Trend/Flat und oder etwas anderes. Das finde ich interessant. Das vielversprechendste Klassifizierungsnetzwerk ist meiner Meinung nach SVM mit korrekter Transformation der Eingabedaten. Ich würde sagen, dass das Netzwerk selbst nicht so wichtig ist wie die Umwandlung der Eingabedaten, d. h. wir können anstelle von SVM auch etwas anderes verwenden, z. B. RBN. In den letzten zwei Jahren habe ich mich mit Netzwerken beschäftigt, die dem Gehirn nachempfunden sind (MLP und die meisten anderen Netzwerke haben übrigens nichts mit dem Gehirn gemein). Das Gehirn verfügt über mehrere Ebenen zur Umwandlung von Eingabedaten (Ton, Bild usw.) mit einem Klassifizierungssystem wie VSM. Die Datenumwandlung im Gehirn erfolgt, wie üblich, durch Filterung und Dimensionalitätsreduktion. Die Filtermerkmale werden ohne einen Lehrer mit Hilfe von Hebbian Competitive Learning oder anderen selbstlernenden Methoden trainiert. Die Klassifizierung der gefilterten Daten erfolgt durch einen Lehrer (Feedback). Ich werde später mehr Details schreiben.

MLP
Verallgemeinerter MLP
Modulare Netze
Selbstorganisierende Karten
Neuronales Gas
Kompetitives Lernen - vielversprechend
Hebbian - vielversprechend
FFCPA
Radiale Basisnetze
LSTM
Zeitverzögert rekurrent
Teilweise rekurrent
Wavelet-Netze
Vollständig rekurrent
Neuro-fuzzy
Support Vector Machines - vielversprechend
Kundenspezifische Architekturen - vielversprechend

1...141516171819202122232425262728...100
Neuer Kommentar