Neuronales Netz und Eingaben - Seite 7
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
Nun, zum Beispiel verfolgen die normalen Banken, was Sie mit Ihrer Karte machen, und wenn es sich um "untypische" Käufe handelt, sperrt das Netz die Karte. Das Netz ist seit langem auf Flughäfen und in der U-Bahn im Einsatz, wenn es darum geht, das richtige "Gesicht" zu finden. Das Netz identifiziert das Ziel im Falle der Entdeckung und Führung. In großen Unternehmen - als Duplikat einer Person, für den Fall der Fälle. In der Tat funktioniert das Netz an vielen Stellen.
Die breiteste.
Meiner Meinung nach ist der Standard für das Netz wie folgt. Es ist bekannt, was zu lehren ist. Zum Beispiel lehren wir das Erkennen des handgeschriebenen Buchstabens "a", indem wir das Gitter mit Tausenden von Schreibvarianten präsentieren. Ich vermute, dass die Abweichungen aller Varianten des Buchstabens vom Ideal eine stationäre Reihe bilden. Es gibt also zwei Voraussetzungen für den Erfolg: Sie wissen, was Sie unterrichten sollen, und die Abweichungen vom Ideal bilden eine stationäre Reihe. Es scheint möglich, sich von diesem Ideal zu entfernen. Aber hier tritt ein drittes Problem auf: die Komplexität der Berechnungen.
Aber ich spreche über den Markt. Auf dem Markt gibt es viele mathematische Algorithmen, die einen bewussteren Ansatz für die Konstruktion von TS ermöglichen. Es ist also produktiver, Zeit auf die Mathematik zu verwenden als auf die recht komplexen NS.
Die breiteste.
Meiner Meinung nach ist der Standard für das Netz wie folgt. Es ist bekannt, was zu lehren ist. Zum Beispiel lehren wir das Erkennen des handgeschriebenen Buchstabens "a", indem wir das Gitter mit Tausenden von Schreibvarianten präsentieren. Ich vermute, dass die Abweichungen aller Varianten des Buchstabens vom Ideal eine stationäre Reihe bilden. Es gibt also zwei Voraussetzungen für den Erfolg: Sie wissen, was Sie unterrichten sollen, und die Abweichungen vom Ideal bilden eine stationäre Reihe. Es scheint möglich zu sein, von diesem Ideal abzuweichen. Aber hier taucht ein drittes Problem auf: die Komplexität der Berechnungen.
Aber ich spreche über den Markt. Auf dem Markt gibt es viele mathematische Algorithmen, die einen bewussteren Ansatz für die Konstruktion von TS ermöglichen. Es ist also produktiver, Zeit auf die Mathematik zu verwenden als auf die recht komplexen NS.
Wie bei der Erkennung von Buchstaben des Alphabets (in Analogie) muss man davon ausgehen, dass der Markt ein geschlossenes System ist ... Was wird es stationär machen (in Ihrer Sprache), d.h. wir sollten alles eingeben, was wir über den Markt wissen. )))))
1. Der Markt ist kein geschlossenes System, sondern ein lebendiges System, da er von den Meinungen der Menschen geprägt wird.
2. Stationär" ist nicht meine Sprache.
Das war's - halten Sie sich zurück.
1. Der Markt ist kein geschlossenes System, sondern ein lebendiges, weil er von den Meinungen der Menschen geprägt ist.
2. Stationär" ist nicht meine Sprache.
Das war's - zurücktreten.
Ich habe nicht versucht, Ihnen irgendetwas zu beweisen, ich bin nicht daran interessiert ))).
zurück(0);
Meiner Meinung nach ist der Standard für das Netz wie folgt. Es ist bekannt, was zu lehren ist. So lernen wir zum Beispiel das Erkennen des handgeschriebenen Buchstabens "a", indem wir das Gitter mit Tausenden von Schreibvarianten präsentieren.
Nicht wirklich, obwohl viele einfache Netze so lernen, wie Sie es beschreiben. Aber es gibt auch Netze, die selbständig lernen, wie unser Gehirn. Die Nützlichkeit von Netzen zu leugnen ist übrigens genauso, wie die Nützlichkeit unseres Gehirns zu leugnen. Und unser Gehirn arbeitet erfolgreich mit allen Arten von Daten: stationären und nicht-stationären. Eine andere Sache ist die Behauptung, dass einfache Lehrbuchnetzwerke das tun können, was unser Gehirn tun kann, nämlich Muster finden usw. Ich bin also pessimistisch, was den Nutzen dieser "einfachen" Netze für den Handel angeht. Und für komplexere Netzwerke, die nach biologischen Prinzipien arbeiten, reicht die Computerleistung noch nicht aus.
Übrigens, hier ist ein interessantes Video über eine selbstlernende Kamera. Die Kamera lernt, Gesichter in verschiedenen Entfernungen und Winkeln zu erkennen, sobald ihr ein Gesicht gezeigt wird. Erfunden von einem tschechoslowakischen Studenten, der später sein eigenes Unternehmen gründete.
https://www.youtube.com/watch?v=1GhNXHCQGsM
Der Verzicht auf die Normalisierung ist die beste Art, die Daten zu füttern, sofern dies möglich ist. Der Informationsgehalt des Signals bleibt vollständig erhalten. Es gibt keine Verzerrungen.
Es ist besser, mit der Skala zu ringen - die Chance, die Informationen zu behalten, ist größer, als die Informationen durch Normalisierung zu verzerren.
Und zum zweiten Mal frage ich: Wo arbeiten die Netze in Echtzeit?
Der Punkt ist, dass der NS selbst eine bestimmte Abfolge von Berechnungen mit unbekannten Koeffizienten ist, die im Lernprozess ermittelt werden müssen. Diese Aufgabe wird in der Mathematik als Regressionsproblem bezeichnet (seine Spezialfälle sind Klassifizierung und Clustering). Sie kann mit völlig unterschiedlichen Algorithmen durchgeführt werden, von denen jeder seine Eigenschaften und Besonderheiten, Vor- und Nachteile hat. Der Vorteil des klassischen NS besteht darin, dass er auch dann funktionieren kann, wenn keine a priori Daten über das Objekt vorliegen.
Wir bringen zum Beispiel einem Netz bei, Bilder von Zahlen von 0 bis 9 zu erkennen, zeigen ihm Bilder und bringen ihm die richtigen Antworten bei. Wenn wir in der Struktur des Netzes nicht festgelegt haben, dass die Ziffern eine bestimmte Größe, Farbe usw. haben sollen, muss es sich an die Eingabedaten anpassen. Und in der Tat, das tut sie - aber! - langsam, und genau das ist der Nachteil von NS. Und wenn die ersten 1000 Zahlen, die dem Raster gezeigt wurden, schwarz auf weißem Hintergrund waren, und wir dann anfingen, sie weiß auf schwarz zu zeigen (was Nicht-Stationarität in die Eingabezeile brachte), dann sollte das Raster neu trainiert werden.
Wenn wir dem Netz jedoch im Voraus erklärt haben, dass ein Bild invertiert werden kann (d. h. wir haben die Nicht-Stationarität beschrieben und in die NS-Struktur eingebaut, indem wir ihm z. B. gesagt haben, dass ein unbekanntes Signal am Ausgang -N als +N interpretiert werden sollte), dann wird das Netz durch diese Art von Nicht-Stationarität nicht verwirrt. Aber er wird an einem anderen zusammenbrechen. Das hat das Netzwerk jedoch bereits mit allen anderen Algorithmen gemeinsam: Sie funktionieren am besten auf den nicht-stationären Daten, die von einem Menschen in das System eingegeben wurden.
Aber es gibt auch Unterschiede: So sind beispielsweise viele Algorithmen zur Verfolgung von Eingangssignalparametern, die in der Theorie der optimalen Steuerung beschrieben werden, in der Lage, eine breitere Klasse von nicht-stationären Parametern zu verfolgen, als a priori festgelegt wurde, natürlich mit einigen Beschränkungen. NS kann dies leider nicht tun. Vielleicht ist die einzige Option für NS quasistationäre Systeme, d.h. solche, bei denen die Parameter mit einer charakteristischen Zeit gleiten, die nicht kleiner ist als die Zeit des Lernens des neuronalen Netzes.
Um die Frage zu beantworten: Netze arbeiten hauptsächlich bei Aufgaben, bei denen es unmöglich oder sehr schwierig ist, a priori ein Modell des Eingangssignals zu definieren: Erkennungsaufgaben, semantische Analyse (Text, Ton, Bild, ...), kognitive (Captcha lösen) und deren Kombinationen. Komplexe Aufgaben erfordern jedoch ein GROSSES (im wahrsten Sinne des Wortes) und komplexes Netz wie dieses (und das ist übrigens an der Grenze der derzeitigen Technologie, sehen Sie es sich an).
Nun, wer mag schon Nicht-Stationarität? Jeder noch so ausgefeilte Algorithmus wird versagen, wenn sich die Eigenschaften des Eingangssignals ändern. Beliebiger Algorithmus. Wunder gibt es nicht ))))
Auch hier gilt: Wenn wir die Art der Nicht-Stationarität im Voraus kennen, können wir sie in den Algorithmus eingeben und durch die Erkennung eben dieser Nicht-Stationarität die Parameter des Reglers schnell anpassen.