Búsqueda de un patrón arbitrario mediante una red neuronal - página 3

 
Dmitry Fedoseev:

¿Cree que hay una diferencia entre las "descripciones humanas" y los "recuentos de la red neuronal"?

Una red neuronal se entrena mediante ejemplos, sin entrar en los detalles de las dependencias.

Exactamente. Primero debes preparar 100500 ejemplos de diferentes "hombros de cabeza" para él y enseñarle sobre estos ejemplos.

En realidad, los patrones de precios pueden ser descritos por las matemáticas, no se necesita NS para eso. Pero tratar de encontrar los signos de un patrón falso es exactamente la tarea de NS.

 
Dmitry Fedoseev:

¿Cree que hay una diferencia entre las "descripciones humanas" y los "recuentos de la red neuronal"?

Una red neuronal se entrena por medio de ejemplos, sin entrar en detalles sobre las dependencias.

Dmitry, por favor explica con más detalle tu respuesta, sí no entran en detalles de dependencias, pero es la matemática la que subyace, creo (imho) que en la base de las acciones humanas también está la matemática, en sí es más compleja pero también 1+1=2

 
Aleksey Vakhrushev:

es más complejo pero también 1+1=2

para NS 1+1=2 , pero con una precisión determinada

para algunos tipos de NS no todos los resultados del entrenamiento serán idénticos a los del entrenamiento anterior, sino que (los resultados) serán iguales a la precisión igual al error de entrenamiento

La base de la NS no es tanto la matemática, (sí, el entrenamiento de la NS es un cálculo matemático), sino que es el tipo de NS, la estructura de la NS. la función de activación, lo que enseña la NS la clasificación o la regresión ... Es decir, no se puede decir que NS me ha dado este resultado - es correcto o viceversa NS está mintiendo. NS es una caja negra, no porque usted quiera llamarla así, sino porque NS utilizael modelo de caja negra

 
Aleksey Vakhrushev:

Dmitry, por favor explica con más detalle tu respuesta, sí no entran en detalles de dependencias, pero es la matemática la que subyace, creo (imho) que las acciones humanas también se basan en la matemática, sí es más compleja pero también 1+1=2

Hay que saber un poco cómo se utilizan las redes neuronales. Hay una imagen de entrada, hay un resultado de salida. Con un número determinado de pares de este tipo (imagen de entrada - resultado de salida) se entrena la red neuronal. Y a nadie le importa por qué una imagen da tal resultado, sólo hay un conjunto de hechos experimentados y eso es todo. A continuación, la imagen analizada se introduce en la entrada de la red entrenada y el resultado se ve en la salida.

 
Dmitry Fedoseev:

Hay que saber un poco cómo se utilizan las redes neuronales. Hay una imagen de entrada, hay un resultado de salida. Con un gran número de estos pares (imagen de entrada - resultado de salida), se entrena una red neuronal. Y a nadie le importa por qué una imagen da tal resultado, sólo hay un conjunto de hechos experimentados y eso es todo. A continuación, una red entrenada recibe una imagen para analizarla y observa el resultado en la salida.

Eso es lo que acabas de describir con la formación de profesores. Cuando es posible recoger datos históricos y pedir a la red que encuentre la ley matemática (modelo) que los describa con la mayor precisión posible. Pero a veces no hay datos históricos como tales, sino un montón de patrones que hay que descomponer, ordenar por así decirlo. Todo esto se hace a través de diferentes redes. Es decir, se diseña un sistema multinivel de IA en el que una red clasifica los patrones y otra define su validez. Pregunta: ¿Por qué necesitamos el primer NS si podemos ordenarlos matemáticamente en las estanterías SIN NS? Mucho más interesante es la respuesta a la otra pregunta sobre la verdad del patrón formado.

Quiere dar un consejo clave!!!!!!?????? Lo veo en tus ojos :-) Bien, lo pondré como ejemplo.

Si consideramos cualquier patrón como un hecho consumado (patrón formado), entonces sólo nos da un momento para analizar el mercado. Supongamos que empezamos a hacer nuestros propios cálculos en la siguiente barra después de que se haya formado el patrón. Significa, de hecho, que el propio patrón nos da sólo el momento en el que debemos realizar el cálculo, pero dejamos a la NS que decida qué tipo de patrón es, qué condiciones han llevado a su formación y qué ocurrió cuando se formó. Si consideramos la condición de que cualquier patrón nos da sólo el momento de analizarlo, entonces teniendo un conjunto de 10 patrones obtendremos muchas más barras para el análisis. No es necesario entrenar una red para "hombros de cabeza", otra para "tres soldados", etc. Pero es necesario informar a la NS sobre qué tipo de patrón es y se hace de forma muy sencilla.

Por lo tanto, hemos escrito un indicador que puede detectar 5 patrones de compra y 5 de venta como mínimo. Por supuesto, el orden futuro de los patrones no se conoce y aparecen de forma caótica. Creer qué tipo de patrón es, a la NS no le importa realmente, mira el conjunto de datos de entrada en el momento de formar cualquiera de los patrones y teóricamente si los patrones difieren drásticamente, los conjuntos de datos de entrada también diferirán significativamente en la medida en que la red lo vea. Pero esto no es suficiente para nosotros y queremos decir con fuerza a la red qué tipo de patrón es. Es muy fácil de hacer. Los patrones se codifican de -5 a +5 y los valores de entrada se multiplican en la primera etapa de la conversión de datos. La multiplicación dispersa los datos a lo largo del eje Y, haciendo que los datos de un patrón se multipliquen por el mismo número y se desplacen una determinada distancia. En consecuencia, las entradas dependerán del tipo de patrón. Así que lo que tenemos al final:

1. Escribimos un indicador básico que define patrones, formando señales para el análisis.

2. definir el conjunto de datos de entrada

Determinar la estructura interna de la SN, los métodos de entrenamiento, los métodos de análisis de errores, etc.

4. En el indicador básico haz un buffer para la variable de salida. Recuerde que no conocemos el resultado de la pauta más reciente. El buffer debe ser tal que los valores futuros se atribuyan a los patrones. Al guardar el archivo de entrenamiento conoceremos los resultados de TODOS los patrones excepto el último.

5. Elaboramos un método para comprobar la generalizabilidad de los modelos obtenidos.

Eso es todo......

 

Y otro punto interesante me vino a la mente al ver el nombre de la rama.

Supongamos que queremos encontrar patrones arbitrarios utilizando NS que no conocemos. Pregunta: Si no conocemos los patrones en sí, ¿qué es lo que se sabe? Correcto, conocemos las reacciones a esos patrones, o más bien debemos elegir en qué condiciones buscar los patrones nosotros mismos. Formulemos el enunciado del problema:

Encontrar patrones de 5 velas después de los cuales la tasa cambia más del 10% durante las siguientes 4 velas. Por supuesto, podemos organizar una descarga de este tipo del historial y generar un archivo de entrenamiento que contenga sólo 5 barras anteriores a la reacción del mercado para cada caso. A continuación, enseñamos a la red a mostrar 1 para las barras que preceden a cada subida y -1 para el resto de las barras. Después del entrenamiento, empezamos a enviar los datos de las últimas 5 barras a la entrada de la red barra por barra y cuando la rejilla muestra 1, entonces las entradas contendrán exactamente el mismo patrón o un patrón similar al de nuestro entrenamiento.

Con este enfoque no sabremos qué tipo de patrón es y cuáles son sus parámetros. Nótese que limité 5 barras en las entradas cuando este número es flotante, cuando durante el entrenamiento también afinamos la ventana de entrada, entonces el número de resultados de optimización aumenta muchas veces y el número de patrones se convierte en número de datos guardados cuando cada registro es tan único que de 1000 registros tenemos 1000 clusters. ¡IMHO!

Creo que el enfoque tiene su lugar, aunque tiene ciertas limitaciones. Al menos no rompe ninguna regla crítica, como la de espiar, etc.

 
Ya sea con o sin profesor, es una forma diferente de ver lo mismo. Hay que conocer la situación y su resultado; si no se conoce, no se puede enseñar nada. Y no necesitas el regalo de Dios con los huevos, es decir, la enseñanza y la clasificación.
 
Dmitry Fedoseev:
Con o sin profesor: una perspectiva diferente de lo mismo. Hay que conocer la situación y su resultado; si no existe, no se puede enseñar nada. Y no necesitas el regalo de Dios con el huevo, es decir, la enseñanza y la clasificación.

Cuando se aprende sin profesor, normalmente no se conoce el resultado, ¿y en este caso?

 

Mihail Marchukajtes:

Michael, la red neuronal funciona un poco diferente. No funciona como tú quieres.

 
Mihail Marchukajtes:

Cuando se aprende sin profesor, el resultado suele ser desconocido, así que ¿cómo funciona esto?

Única clasificación. La red aprende a distinguir entre situaciones (imágenes), pero no puede saber qué hacer en cada caso ni cómo llamar a cada imagen.