Künstliche neuronale Netze. - Seite 9
Sie verpassen Handelsmöglichkeiten:
- Freie Handelsapplikationen
- Über 8.000 Signale zum Kopieren
- Wirtschaftsnachrichten für die Lage an den Finanzmärkte
Registrierung
Einloggen
Sie stimmen der Website-Richtlinie und den Nutzungsbedingungen zu.
Wenn Sie kein Benutzerkonto haben, registrieren Sie sich
Aber ich habe auch ein Gegenargument gebracht. Die Kamera hat die Fähigkeiten des Auges um ein Vielfaches übertroffen, wenn sie auch ein Teleskop ist. ))
Eine zweifelhafte Behauptung, denn die gesamte Astronomie wurde vor der Erfindung des Teleskops von Menschen mit normalen Augen ausgearbeitet, und in diesem Geschäft geht es nicht um die Übertragung des Bildes, sondern um seine Interpretation, obwohl ich zustimme, dass der Mann mit den 10-Meter-Augen ein beängstigender Anblick ist :)
Übrigens hat auch der Computer den Menschen in vielerlei Hinsicht übertroffen, obwohl er nicht nach dem Vorbild des Gehirns geschaffen wurde.
...
.... Und das Tolle daran ist, dass man durch das Herausfiltern unnötiger Informationen und die Erstellung eines mathematischen Modells des Marktes einen effektiven TS ohne NS aufbauen kann.
Zweifelhafte Behauptung, die gesamte Astronomie wurde vor der Entdeckung des Teleskops durch das normale Auge erarbeitet, die Hauptsache ist in diesem Fall nicht die Übertragung des Bildes, sondern seine Interpretation, obwohl ich zustimme, dass der Mann mit 10-Meter-Augen ein gruseliger Anblick ist :)
Übrigens hat auch der Computer den Menschen in vielerlei Hinsicht übertroffen, obwohl er nicht nach dem Vorbild des Gehirns geschaffen wurde.
Doch das derzeitige Computermodell "knarrt bereits aus den Nähten". Es ist schwierig und sogar fast unmöglich, sich weiterzuentwickeln. Deshalb versuchen Kwabena und andere, ein dem Gehirn ähnliches Modell zu entwickeln.
Und wenn ein Mensch im Verhältnis zu 10 m Teleskopaugen vergrößert ist, wird er nicht mehr gruselig aussehen. Oder wenn man die Teleskope auf die aktuelle Augengröße verkleinert, natürlich. )))
Traurig über die verschwendete Zeit - man konnte sich nicht mit NS befassen, sondern musste die Daten sofort analysieren und filtern
ZS: Das wollte ich nicht, aber ich will trotzdem sagen, wie ich das sehe, was alle Anfänger in NS suchen, zumindest im übertragenen Sinne: wenn nicht ein schöner Name"neuronale Netze", sondern zum Beispiel "exponentielle Regression mathematische Anpassung", dann gäbe es weniger Interesse und Erwartungen an ein solches mathematisches Werkzeug, aber dank des klangvollen Namens erwarten die Leute Wunder von "cleveren logarithmischen Lineal".
Doch das derzeitige Computermodell "knarrt bereits aus den Nähten". Es ist schwierig und sogar fast unmöglich, sich weiterzuentwickeln. Aus diesem Grund versuchen Kwabena und andere, ein gehirnähnliches Modell zu entwickeln.
Und wenn ein Mensch im Verhältnis zu 10 m Teleskopaugen vergrößert ist, wird er nicht mehr gruselig aussehen. Oder wenn man die Teleskope auf die aktuelle Augengröße verkleinert, natürlich. )))
Die Computermathematik selbst hat Methoden von vor 300 Jahren umgesetzt, weshalb sie eine Sackgasse ist.
Die Mathematik entwickelt praktisch keine parallelen Methoden, das ist der Kern des Problems.
Die Hauptsache, die übernommen werden muss, ist die Parallelität der Methoden, und NS ist in dieser Hinsicht ein Schritt nach vorn, aber das Kopieren von NS-Arbeiten in Übereinstimmung mit dem natürlichen NS ist ein Schritt zurück.
Es ist toll, dass Sie solche Forscher persönlich kennen. Kennen Sie zufälligerweise Henry Markram? Seine Vorhersage im Jahr 2009 lautete 10 Jahre. :) Ich frage mich, wo er jetzt steht.
Henry Markram baut ein Gehirn in einem Supercomputer.
Nein, nicht persönlich. Aber ich bin mit seinem Projekt des blauen Gehirns vertraut. Markram ist der Ansicht, dass wir nur dann in der Lage sein werden, die Funktionsweise unseres Gehirns zu verstehen und zu kopieren, wenn wir die Funktionsweise eines Neurons genau modellieren (Ionenkanäle, Diffusionsgleichungen, die die Ionenbewegung und die Ausbreitung des elektrischen Impulses im Neuronenkörper beschreiben, Verzögerungen usw.). Im Jahr 2009 gab IBM bekannt, dass sie ein Katzengehirn modelliert haben. Markram war ziemlich verbittert(http://spectrum.ieee.org/tech-talk/semiconductors/devices/blue-brain-project-leader-angry-about-cat-brain) und behauptete, die IBM-Forscher hätten punktgekoppelte Neuronen verwendet, d.h. einfache mathematische Modelle (wie Neuronen klassischer Netzwerke mit ihrer Summe gewichteter Eingänge und nichtlinearer Aktivierungsfunktion). Ein weiterer interessanter Wissenschaftler auf diesem Gebiet ist Penrose. So behauptet er, dass selbst die Kenntnis aller Details des Ionenaustauschs, der chemischen Reaktionen und der Impulsausbreitung durch den Neuronenkörper nicht ausreicht, um zu verstehen und zu erklären, wie das Gehirn funktioniert. Er argumentiert, dass dies nur aufgrund der Quantenreaktionen innerhalb der Neuronen möglich ist (Hameroff-Penrose-Theorie). Lesen Sie hier https://en.wikipedia.org/wiki/Quantum_mind. Penrose behauptet auch, dass unser Gehirn durch diese Quantenreaktionen in der Lage ist, sich in andere Dimensionen zu begeben und von dort Wissen zu beziehen. Schauen Sie sich seine Vorträge (Roger Penrose) auf youtube an. Sie sind äußerst interessant.
Ich bin mit den Vorhersagen von Markram nicht vertraut. Bis in die 1990er Jahre glaubten die Neurobiologen, dass die Informationen zwischen den Neuronen als eine Anzahl von Impulsen ausgetauscht werden, die durch eine Zahl beschrieben werden können, woraus die klassischen Netzwerke entstanden. Mitte der 90er Jahre fanden Wissenschaftler heraus, dass der Zeitpunkt der einzelnen Impulse wichtiger ist als ihre Anzahl über einen bestimmten Zeitraum. Markram und andere Wissenschaftler entdeckten eine neue Regel, die die synaptischen Gewichte verändert, nämlich STDP. Viele Neurobiologen haben in den letzten 10 Jahren damit begonnen, so genannte Spike-Netzwerke aufzubauen, in denen Informationen als Impulse (wie ein binäres 0/1-Signal) verteilt werden, wobei die Gewichte durch STDP variieren. Diese Neurowissenschaftler begannen zu argumentieren, dass der Grund, warum klassische Netzwerke nicht zu Robotern führten, darin lag, dass sie Informationen (Zahlen statt Impulse), das Neuron (Summe gewichteter Eingaben statt Diff-Gleichungen) und sich ändernde Gewichte (Hebb'sche Regel statt STDP) falsch beschrieben. Doch leider haben diese neuen Spiking-Netzwerke die klassischen Netzwerke noch nicht in ihrer Leistungsfähigkeit übertroffen. Außerdem benötigen sie viel mehr Computerleistung. In der Neurobiologie gibt es also bisher keine großen Fortschritte, und wir sollten keine neuen Netzwerke erwarten, die in der Lage sind, Muster zu erkennen.
Das heißt, wenn Sie ein Modell erstellen würden, das die Veränderungen der Gewichte während der Marktbewegungen beschreibt, könnten die Ergebnisse anders ausfallen, nicht so deprimierend. Haben Sie diese Art von Forschung betrieben?
Tun Sie dies in aller Ruhe.
Dazu wäre ein zweites Raster erforderlich, in dem nach Mustern von Veränderungen in den Gewichten des ersten Rasters als Reaktion auf Marktbewegungen gesucht würde. Dann bräuchte man ein drittes Raster, das auch im zweiten Raster nach Abhängigkeiten von Veränderungen im ersten Raster und auf dem Markt sucht. Dann eine vierte ...
Nehmen wir an, wir haben ein Modell erstellt, das Veränderungen der Gewichte auf dem Markt beschreibt. Was machen wir als nächstes damit?
Nehmen Sie es nach Belieben auf.
Dazu ist ein zweites Raster erforderlich, das nach einem Muster von Veränderungen in den Gewichten des ersten Rasters in Abhängigkeit von Marktveränderungen sucht. Dann brauchen Sie ein drittes Raster, das auch im zweiten Raster nach Abhängigkeiten sucht, wenn sich das erste Raster und der Markt ändern. Dann eine vierte ...
Und hier war ich nehmen Geld aus dem Markt für 3 Jahre, nicht wissend, dass nach dem ersten Gitter würde die zweite benötigt werden ...
Für mich, eine Person mit einem analytischen Verstand, ist es gefährlich, solche Threads zu lesen, ich höre auf zu verdienen, ich denke nicht darüber nach....
Und da habe ich drei Jahre lang Geld aus dem Markt genommen, ohne zu wissen, dass ich nach dem ersten Netz ein zweites brauchen würde...
Das heißt, wenn Sie ein Modell erstellen würden, das die Veränderungen der Gewichte während der Marktbewegungen beschreibt, könnten die Ergebnisse anders ausfallen, nicht so deprimierend. Haben Sie diese Art von Forschung betrieben?
Nein, das habe ich nicht. Ich glaube nicht, dass dabei etwas Gutes herauskommen wird. Hier sind meine Gedanken. Nehmen wir an, wir verwenden eine polynomiale Regression anstelle eines Netzes, was eine weitere Möglichkeit der universellen nichtlinearen Modellierung ist. Unsere Aufgabe ist also die Anpassung des Polynoms
y = a0 + a1*x + a2*x^2 + ...
in unsere Daten y(x), indem wir die Koeffizienten a0, a1, a2,... finden. die den Fehler unseres Polynommodells verringern. Wir wissen, dass unser Polynommodell nur für die Daten gut ist, für die die Anpassung durchgeführt wurde. Im Wesentlichen schlagen Sie vor, die Modellkoeffizienten a0, a1, a2,... (dieselben Gewichte des Netzes) von den Eingabedaten abhängig gemacht werden, um das Modell robuster gegenüber nicht gelernten Daten zu machen, d.h. a1(x), a2(x),... Ok. Wir beschreiben jeden Koeffizienten durch ein anderes Polynom:
a1 = b0 + b1*x + b2*x^2 +...
a2 = c0 + c1*x + c2*x^2 +...
...
Setzen wir diese Koeffizienten in unser erstes Modell ein, und was erhalten wir? Dasselbe Polynom, aber mit höherer Ordnung, das die Trainingsdaten genauer beschreiben kann, aber bei den neuen Daten schlecht abschneidet. Genauso verhält es sich mit den Netzen. Ein Netzwerk bildet ein anderes aus, das wiederum ein drittes ausbildet und so weiter, es ist nichts anderes als ein großes Netzwerk. Wir werden durch neue Daten kein genaueres Verhalten erhalten. Aber wenn jemand diese Idee testen möchte, kann er uns die Ergebnisse mitteilen.