Neuronale Netze - Seite 27

[Sergey Golubev]

1. Neuronale Netze leicht gemacht - MT5
2. Neuronale Netze leicht gemacht (Teil 2): Netzwerktraining und -test - MT5
3. Neuronale Netze leicht gemacht (Teil 3): Faltungsnetzwerke - MT5
4. Neuronale Netze leicht gemacht (Teil 4): Rekurrente Netze - MT5
5. Neuronale Netze leicht gemacht (Teil 5): Multithreading-Berechnungen in OpenCL - MT5
6. Neuronale Netze leicht gemacht (Teil 6): Experimentieren mit der Lernrate neuronaler Net ze - MT5
7. Neuronale Netze leicht gemacht (Teil 7): Adaptive Optimierungsverfahren - MT5
   
8. Neuronale Netze leicht gemacht (Teil 8): Aufmerksamkeitsmechanismen - MT5
9. Neuronale Netze leicht gemacht (Teil 9): DieArbeit dokumentieren - MT5
10. Neuronale Netze leicht gemacht (Teil 10): Mehrköpfige Aufmerksamkeit - MT5
    
11. Neuronale Netze leicht gemacht (Teil 11): Ein Blick auf GPT - MT5
    
12. Neuronale Netze leicht gemacht (Teil 12): Aussetzen - MT5
    
13. Neuronale Netze leicht gemacht (Teil 13): Batch-Normalisierung - MT5
    

[Sergey Golubev]

Forum über Handel, automatisierte Handelssysteme und das Testen von Handelsstrategien

Neuronale Netze auf die nächste Stufe heben

Sergey Golubev, 2021.04.13 10:14

Maschinelles Lernen in Grid- und Martingale-Handelssystemen. Würden Sie darauf wetten? - MT5

Wir haben uns intensiv mit verschiedenen Ansätzen des maschinellen Lernens beschäftigt, die darauf abzielen, Muster auf dem Devisenmarkt zu finden. Sie wissen bereits, wie man Modelle trainiert und implementiert. Es gibt jedoch eine große Anzahl von Handelsansätzen, von denen fast jeder durch die Anwendung moderner Algorithmen des maschinellen Lernens verbessert werden kann. Einer der beliebtesten Algorithmen ist das Grid und/oder Martingale. Bevor ich diesen Artikel geschrieben habe, habe ich eine kleine Sondierungsanalyse durchgeführt und im Internet nach den entsprechenden Informationen gesucht. Überraschenderweise ist dieser Ansatz im weltweiten Netz wenig bis gar nicht vertreten. Ich habe eine kleine Umfrage unter den Community-Mitgliedern zu den Aussichten einer solchen Lösung durchgeführt, und die Mehrheit hat geantwortet, dass sie nicht einmal wüssten, wie man dieses Thema angehen könnte, aber die Idee selbst klang interessant. Dabei scheint die Idee selbst recht einfach zu sein.

Lassen Sie uns eine Reihe von Experimenten mit zwei Zielen durchführen. Erstens werden wir versuchen zu beweisen, dass dies nicht so schwierig ist, wie es auf den ersten Blick erscheinen mag. Zweitens werden wir versuchen, herauszufinden, ob dieser Ansatz anwendbar und effektiv ist.

[Sergey Golubev]

Neuronale Netze leicht gemacht (Teil 12): Aussetzer

Since the beginning of this series of articles, we have already made a big progress in studying various neural network models. But the learning process was always performed without our participation. At the same time, there is always a desire to somehow help the neural network to improve training results, which can also be referred to as the convergence of the neural network. In this article we will consider one of such methods entitled Dropout.

Inhalt

• Einführung
• 1. Aussetzen: Eine Methode zur Steigerung der Konvergenz neuronaler Netze
• 2. Implementierung
• 2.1. Erstellen einer neuen Klasse für unser Modell
• 2.2. Feed-Forward
• 2.3. Vorwärts-Rückwärts
• 2.4. Methoden zum Speichern und Laden von Klassen
• 2.5. Änderungen in den Basisklassen des neuronalen Netzes
• 3. Test
• Schlussfolgerung
• Referenzen
• In diesem Artikel verwendete Programme

[Sergey Golubev]

Neuronale Netze leicht gemacht (Teil 13): Batch-Normalisierung

In the previous article, we started considering methods aimed at increasing the convergence of neural networks and got acquainted with the Dropout method, which is used to reduce the co-adaptation of features. Let us continue this topic and get acquainted with the methods of normalization.

Inhalt

• Einführung
• 1. Theoretische Voraussetzungen für die Normalisierung
• 2. Implementierung
• 2.1. Erstellen einer neuen Klasse für unser Modell
• 2.2. Feed-Forward
• 2.3. Vorwärts-Rückwärts
• 2.4. Änderungen in den Basisklassen des neuronalen Netzes
• 3. Testen
• Schlussfolgerung
• Referenzen
• In diesem Artikel verwendete Programme

[Sergey Golubev]

Forum über Handel, automatisierte Handelssysteme und das Testen von Handelsstrategien

Neuronale Netze auf die nächste Stufe heben

Sergey Golubev, 2021.10.20 11:21

Programmierung eines tiefen neuronalen Netzwerks von Grund auf mit der MQL-Sprache

Da maschinelles Lernen in letzter Zeit an Popularität gewonnen hat, haben viele von Deep Learning gehört und möchten wissen, wie man es in der MQL-Sprache anwendet. Ich habe einfache Implementierungen von künstlichen Neuronen mit Aktivierungsfunktionen gesehen, aber nichts, was ein echtes Deep Neural Network implementiert. In diesem Artikel werde ich Ihnen ein Deep Neural Network vorstellen, das in der MQL-Sprache mit seinen verschiedenen Aktivierungsfunktionen implementiert ist, wie die hyperbolische Tangens-Funktion für die versteckten Schichten und die Softmax-Funktion für die Ausgabeschicht. Wir werden uns vom ersten Schritt bis zum Ende bewegen, um das tiefe neuronale Netz vollständig zu bilden.

[votija.63]

Hallo Sergey Golubev: Ich möchte Ihnen frohe Feiertage wünschen, ich lese Ihre Artikel und Referenzen viel, kennen Sie einen Programmierer, der die Erfahrung der Arbeit mit neurals hat? Ich benutze 3 Indikatoren, die, wenn sie aufeinander abgestimmt sind, sehr profitabel sind!!, Vielen Dank für jede Information, eine Umarmung!