Neuronale Netze - Seite 26

[Sergey Golubev]

Was man lesen und wo man über maschinelles Lernen lernen kann

Форум по трейдингу, автоматическим торговым системам и тестированию торговых стратегий

Was man lesen und wo man über maschinelles Lernen lernen kann

MetaQuotes Software Corp., 2017.08.25 11:37

Es gibt 10 kostenlose Bücher zum Thema Maschinelles Lernen (basierend auf dem Portalthepixelbeard.com).

1. Die Elemente des statistischen Lernens: Data Mining, Inferenz und Vorhersage

Dies ist ein ebook von T. Hastie, R. Tibshirani, J. Friedman, das dem Leser Wissen über die konzeptionellen Grundlagen vermittelt. Es enthält verschiedene Themen wie statistische Rahmenbedingungen und vieles mehr.

2. Induktive logische Programmierung

Induktives logisches Programmieren ist ein Thema des maschinellen Lernens. Es wird in der Forschung an der Schnittstelle von maschinellem Lernen und logischer Programmierung eingesetzt.

3. Reinforcement Learning : Eine Einführung von Richard S. Sutton, Andrew G. Barto

Dies ist ein ebook geschrieben von Richard S. Sutton, Andrew G. Barto. Mit diesem ebook können Benutzer auf einfache Weise ein Verständnis für maschinelles Lernen erlangen.

4. Informationstheorie, Inferenz und Lernalgorithmen

Dies ist ein ebook von David J.C. Mackay, in dem das Thema Informationstheorie so gut erklärt wird, dass es den Lesern hilft, gute Kenntnisse über die praktischen Kommunikationssysteme zu erlangen, z.B. arithmetische Kodierung zur Datenkompression, Sparse-Graph-Codes zur Fehlerkorrektur und mehr.

5. Gauß-Prozesse für maschinelles Lernen

Dies ist ein ebook von Carl E. Rasmussen, Chritopher K.I Williams. Mit diesem ebook kann man einen prinzipiellen, praktischen, probabilistischen Ansatz zum Lernen in Kernelmaschinen auf recht einfache Weise erlernen.

6. Der LION-Weg

Dieses ebook wurde von Roberto Battiti und Mauro Brunato geschrieben und ist so gestaltet, dass es den Benutzern beim maschinellen Lernen und der intelligenten Optimierung (LION) hilft.

7. Bayesianisches Denken und maschinelles Lernen

Dieses ebook wurde von David Barber geschrieben und richtet sich an Studenten im letzten Studienjahr und Masterstudenten. Die Themen umfassen lineare Algebra und Kalkül. Dieses Buch hilft den Nutzern, grundlegende Schlussfolgerungen zu ziehen, fortgeschrittene Techniken im Rahmen grafischer Modelle zu erlernen und Fähigkeiten zu entwickeln.

8. Ein Kurs in Maschinellem Lernen

Dieses ebook von Hal Daume III ist ein Kursbuch, das eine Reihe von einführenden Materialien enthält, die verschiedene Aspekte des modernen maschinellen Lernens abdecken.

9. Maschinelles Lernen, neuronale und statistische Klassifizierung

Dies ist ein ebook von D. Michie, D.J Spiegelhalter, das einen aktuellen Überblick über verschiedene Klassifizierungsansätze bietet.

10. Einführung in das maschinelle Lernen

Dieses ebook wurde von Nilis J Nilsson geschrieben. Es umfasst verschiedene Themen des maschinellen Lernens aus dem Jahr 1996, die den Menschen helfen, einen Mittelweg zwischen Theorie und Praxis zu finden.

[Sergey Golubev]

Neuronales Netzwerk

Neuronales Netzwerk: Diskussion/Entwicklungsthreads

1. Besserer NN EAEntwicklungsthread mit Indikatoren, pdf-Dateien und so weiter.
2. Besserer NN EAAbschluss-Thread
3. NEURAL NETWORKS auf die NÄCHSTE EBENE bringen - sehr interessanterThread
4. Thread über Neuronale Netze (gute öffentliche Diskussion)
5. Wie man einen NN-EA in MT4 erstellt: nützlicherThread für Entwickler.
6. Radiales Basis-Netzwerk (RBN) - Als Fit-Filter für Preise:der Thread

Neuronales Netzwerk: Entwicklung von Indikatoren und Systemen

1. Self-trained MA cross!:Entwicklungsthread für die neue Generation der Indikatoren
2. Levenberg-Marquardt-Algorithmus:Entwicklungsthread

Neuronales Netz: EAs

1. CyberiaTrader EA:Diskussionsthread undEAs-Thread.
2. SelbstlernendeExperten-Thread mit EAs-Dateienhier.
3. Threads zu EAs mit künstlicher Intelligenz:Thread zum "Lehren" und zur Verwendung von EAs mit künstlicher Intelligenz ("Neuronen") und Thread zu künstlicher Intelligenz
4. Forex_NN_Expert EA undIndikator-Thread.
5. SpiNNaker - Ein Neuronales Netzwerk EAThread.

Neuronales Netzwerk: Die Bücher

1. Was man lesen und wo man über maschinelles Lernen lernen kann(10 kostenlose Bücher) - der Beitrag.

Der Beitrag

• NeuronaleNetzwerke leicht gemacht - MT5
  
• Neuronale Netze leicht gemacht (Teil 2): Netzwerk-Training und -Test - MT5
  
• Maschinelles Lernen in Grid- und Martingale-Handelssystemen. Würden Sie darauf wetten? - MT5
  
• Neuronale Netze leicht gemacht (Teil 3): Faltungsnetzwerke - MT5
  
• Neuronale Netze leicht gemacht (Teil 4): Rekurrente Netze - MT5
• Neuronale Netze leicht gemacht (Teil 5): Multithreading-Berechnungen in OpenCL - MT5
• Neuronale Netze leicht gemacht (Teil 6): Experimentieren mit der Lernrate neuronaler Net ze - MT5
• Neuronale Netze leicht gemacht (Teil 7): Adaptive Optimierungsverfahren - MT5
• Neuronale Netze leicht gemacht (Teil 8): Aufmerksamkeitsmechanismen - MT5
• Neuronale Netze leicht gemacht (Teil 9): DieArbeit dokumentieren - MT5
  
• Neuronale Netze leicht gemacht (Teil 10): Mehrköpfige Aufmerksamkeit - MT5
  
• Neuronale Netze leicht gemacht (Teil 11): Ein Blick auf GPT - MT5
  
• Neuronale Netze leicht gemacht (Teil 12): Aussetzen - MT5
  
• Neuronale Netze leicht gemacht (Teil 13): Batch-Normalisierung - MT5
  
• Entwicklung eines selbstanpassenden Algorithmus (Teil I): Suche nach einem Grundmuster- MT5
  
• Entwicklung eines selbstanpassenden Algorithmus (Teil II): Verbesserung der Effizienz- MT5
  
• Selbstanpassender Algorithmus (Teil III): Abkehr von der Optimierung - MT5
  
• Tiefes neuronales Netz mit Stacked RBM. Selbst-Training, Selbst-Kontrolle- MT4
• Praktische Anwendung neuronaler Netze im Handel - MT5
  
• Praktische Anwendung von neuronalen Netzen im Handel. Python (Teil I) - MT5
  
• Praktische Anwendung neuronaler Netze im Handel (Teil 2). Computer Vision - MT5
  
• Verbindung von NeuroSolutions Neuronets- MT5
• Verwendung neuronaler Netze im MetaTrader- MT4
• Kursprognose mit neuronalen Netzen- MT4
• Rezepte für Neuronetze- MT4
• Neuronale Netze der dritten Generation: Tiefe Netzwerke- MT5
• Neuronale Netze billig und fröhlich - Verknüpfung von NeuroPro mit MetaTrader 5- MT5
• Erstellen von EAs mit neuronalen Netzwerken mit dem MQL5-Assistenten und dem Hlaiman EA-Generator- MT5
• Neuronales Netzwerk: Selbst-optimierender Expert Advisor- MT5
• Neuronale Netzwerke: Von der Theorie zur Praxis- MT5
• Verwendung von MetaTrader 5 Indikatoren mit ENCOG Machine Learning Framework für Zeitreihenvorhersage- MT5
• Verwendung von selbstorganisierenden Feature Maps (Kohonen Maps) in MetaTrader 5- MT5
• Tiefe neuronale Netzwerke (Teil I). Aufbereitung von Daten- MT5

• Tiefe neuronale Netze (Teil II). Ausarbeitungund Auswahl von Prädiktoren- MT5

CodeBase

• Nächster Preisprädiktor mit Neuralem Netzwerk- Indikator für MetaTrader 4
• Einfaches Neuronales Netzwerk - Bibliothek für MetaTrader 5
  
• ALGLIB - Bibliothek für numerische Analysen- Bibliothek für MetaTrader 4
• MTS Neuronales Netzwerk plus MACD- Experte für MetaTrader 4
• ArtificialIntelligence_Right- Experte für MetaTrader 4
• NeuroNirvamanEA- Experte für MetaTrader 4
• Erstellen Sie Ihre eigenen neuronalen Netzwerk Prädiktoren leicht (Beispiel: MA und RSI Predictors)- Indikator für MetaTrader 4
• Automatisiertes Handelssystem "Сombo"- Experte für MetaTrader 4
• MTC Neuronales Netzwerk plus MACD- Experte für MetaTrader 5
• Berechnung der Bollinger-Band-Breite mit Hilfe des Neuronalen Netzes- Experte für MetaTrader 5
• PNN Neuronales Netzwerk Klasse- Bibliothek für MetaTrader 5
• GRNN Neuronales Netzwerk Klasse - Bibliothek für MetaTrader 5
• RBF Ne uronales Netzwerk Klasse - Bibliothek für MetaTrader 5
• MLP Ne uronales Netzwerk Klasse - Bibliothek für MetaTrader 5
• Künstliche Intelligenz- Experte für MetaTrader 5

[Sergey Golubev]

Neuer Artikel -

Tiefe neuronale Netze (Teil III). Stichprobenauswahl und Dimensionalitätsreduktion

Inhalt

• Einführung
• 1
• .
• Stichprobenauswahl
  
• 2. Dimensionalitätsreduktion
• 
  
• 2.1. Hauptkomponentenanalyse (PCA)
• 2.2. Unabhängige Komponentenanalyse (ICA)
• 2.3. Probabilistische Hauptkomponentenanalyse (PPCA)
• 2.4. Autoencoder (nichtlineare PCA)
  
• 2.5. Inverse nichtlineare PCA (NLPCA)
• 3. Aufteilung des Datensatzes in die Sätze train/valid/testAbschlussAnwendung

[Sergey Golubev]

Nächster Artikel -

Tiefe neuronale Netze (Teil IV). Erstellen, Trainieren und Testen eines Modells eines neuronalen Netzes

Inhalt

• Einführung
• 1. Kurze Beschreibung der Fähigkeiten des Pakets
• 1.1. Initialisierungsfunktionen der Neuronen
• 1.2. Aktivierungsfunktionen von Neuronen
• 1.3. Trainingsmethoden
• 1.4. Methoden der Regulierung und Stabilisierung
• 1.5. Methoden und Parameter der Ausbildung eines RBM
• 1.6. Methoden und Parameter für das Training eines DNN
• 2. Prüfung der Qualität der Arbeit eines DNN in Abhängigkeit von den verwendeten Parametern
• 2.1. Experimente
• 2.1.1. Eingabedaten (Vorbereitung)
• 2.1.2. Grundmodell des Vergleichs
• 2.1.3. Aufbau eines DNN
• 2.1.4. Varianten des Trainings
• Mit Vortraining
• Ohne Vortraining
• 2.2. Analyse der Ergebnisse
• Schlussfolgerung
• Anwendung

[Sergey Golubev]

Taking NEURAL NETWORKS to the NEXT LEVEL - sehr interessanter Thread:

This thread won't be about a question or problem, but rather about the anouncement of the presentation and documentation of an exciting trading concept. I plan to do a series of postings here in order to keep you guys updated.

Jeder, der eine Meinung zu diesem Thema hat, zögert bitte nicht, einen Kommentar abzugeben, auch wenn er keine profunden Kenntnisse im Bereich des maschinellen Lernens hat (ich lerne auch immer noch dazu - was nie aufhört).

[Chris70]

Sergey Golubev:

Taking NEURAL NETWORKS to the NEXT LEVEL - sehr interessanter Thread:

Danke, Sergey; ich bin der Initiator dieses Threads; die beiden Artikel (oben), die Sie im Oktober 2017 verlinkt haben, waren mir nicht bekannt. Die Themen sind extrem nah beieinander, daher ist mir klar, dass ich ein wenig redundant war. Ich werde die Serie trotzdem fortsetzen, weil ich denke, dass der Aspekt LSTM+Autoencoder noch von Interesse sein könnte.

[Sergey Golubev]

Forum zum Thema Handel, automatisierte Handelssysteme und Testen von Handelsstrategien

Wie man mit Metatrader 5 anfängt

Sergey Golubev, 2020.03.12 06:42

Neuronale Netzwerke leicht gemacht- MT5

Inhaltsübersicht

• Einführung
• 1. Prinzipien der KI-Netzwerkbildung
• 2. Die Struktur eines künstlichen Neurons
• 3. Netzwerk-Training
• 4. Aufbau eines eigenen neuronalen Netzes mit MQL
• 4.1. Verbindungen
• 4.2. Ein Neuron
• 4.3. Neuronales Netz
• Schlussfolgerung
• Referenzen
• In diesem Artikel verwendete Programme

Die künstliche Intelligenz deckt zunehmend verschiedene Aspekte unseres Lebens ab. Es erscheinen viele neue Veröffentlichungen, in denen es heißt: "Das neuronale Netz wurde trainiert, um...". Künstliche Intelligenz wird jedoch immer noch mit etwas Fantastischem in Verbindung gebracht. Die Idee scheint sehr kompliziert, übernatürlich und unerklärlich zu sein. Daher kann ein solches Wunder der Technik nur von einer Gruppe von Wissenschaftlern geschaffen werden. Es scheint, dass ein ähnliches Programm nicht mit unserem heimischen PC entwickelt werden kann. Aber glauben Sie mir, es ist gar nicht so schwierig. Versuchen wir zu verstehen, was die neuronalen Netze sind und wie sie im Handel eingesetzt werden können.

[Sergey Golubev]

Easy Neural Network - Bibliothek für MetaTrader 5

Das mitgelieferte Testskript ist mit Kommentaren versehen, die leicht zu verstehen sind.

Sie können die zurückgegebene Netzwerkkonfiguration in einer Datei speichern und sie dann in verschiedenen Sitzungen laden.

Diese Bibliothek hat wenig Gebrauch von OOP gemacht und sollte daher auch von neueren Programmierern leicht nachvollzogen werden können.

[Sergey Golubev]

Praktische Anwendung von neuronalen Netzen im Handel - der Artikel für MT5

----------------

Dieser Artikel befasst sich mit der Anwendung neuronaler Netze bei der Erstellung von Handelsrobotern. Dies ist der enge Sinn dieses Problems. Im weiteren Sinne werden wir versuchen, einige Fragen zu beantworten und mehrere Probleme anzugehen:

1. Kann man mit maschinellem Lernen ein profitables System erstellen?
2. Was kann uns ein neuronales Netz liefern?
3. Die Gründe für das Training neuronaler Netze für die Entscheidungsfindung.
4. Neuronales Netzwerk: ist es schwierig oder einfach?
5. Wie integriert man ein neuronales Netz in ein Handelsterminal?
6. Wie testet man ein neuronales Netz? Die Testphasen.
7. Über Trainingsmuster.

[Sergey Golubev]

Dies ist der 3. Artikel:

Neuronale Netze leicht gemacht (Teil 3): Faltungsnetzwerke- MT5

Inhalt

• Einführung
• 1. Besondere Merkmale von neuronalen Faltungsnetzen
• 1.1. Faltungsschicht
• 1.2. Unterabtastungsschichten
• 2. Prinzipien des Trainings von Neuronen in Faltungsschichten
• 3. Aufbau eines neuronalen Faltungsnetzwerks
• 3.1. Basisklasse der Neuronen
• 3.1.1. Feed-forward
• 3.1.2. Berechnung des Fehlergradienten
• 3.2. Element der Unterabtastungsebene
• 3.2.1. Feed-forward
• 3.2.2. Berechnung des Fehlergradienten
• 3.3. Element der Faltungsschicht
• 3.4. Erstellen einer Faltungsneuronalen Netzwerkklasse
• 3.4.1. Konstruktor der Klasse Faltungsneuronales Netzwerk
• 3.4.2. Faltungsneuronales Netzwerk Vorwärtspropagationsmethode
• 3.4.3. Faltungsneuronales Netzwerk Rückwärtspropagationsmethode
• 4. Testen
• Schlussfolgerung
• Liste der Referenzen
• In diesem Artikel verwendete Programme

----------------

Zwei frühere Artikel zu diesem Thema:

• Neuronale Netzeleicht gemacht - MT5
  
• Neuronale Netze leicht gemacht (Teil 2): Netzwerktraining und -test - MT5