Búsqueda de un patrón arbitrario mediante una red neuronal - página 5
Está perdiendo oportunidades comerciales:
- Aplicaciones de trading gratuitas
- 8 000+ señales para copiar
- Noticias económicas para analizar los mercados financieros
Registro
Entrada
Usted acepta la política del sitio web y las condiciones de uso
Si no tiene cuenta de usuario, regístrese
Peter. ¿Supongo que para usted el término "matemáticas" termina con su curso escolar? Así que hay muchas más cosas, incluidos los algoritmos.
Sí, conozco las matemáticas dentro del programa escolar. Una vez pregunté a un profesor en clase de geometría analítica (la que trata de las funciones y los ejes de coordenadas): "Si una función construye una curva en un gráfico, ¿se puede trazar una función a partir de una curva en un gráfico?" y obtuve la respuesta inequívoca: "No. Es imposible". A partir de esto, llegué a la conclusión de que los patrones se pueden describir matemáticamente pero no se pueden identificar porque no se puede obtener la fórmula que los generó a partir de los valores.
Tal vez haya otras herramientas matemáticas. Dime si lo sabes.He aquí una visión más amplia de los patrones.
https://ru.wikipedia.org/wiki/%D0%9F%D0%B0%D1%82%D1%82%D0%B5%D1%80%D0%BD
Sí, conozco las matemáticas dentro del programa escolar. Una vez pregunté a un profesor en clase de geometría analítica (la que trata de las funciones y los ejes de coordenadas): "Si una función construye una curva en un gráfico, ¿se puede trazar una función a partir de una curva en un gráfico?" y obtuve una respuesta inequívoca: "No. Es imposible". A partir de esto, llegué a la conclusión de que los patrones se pueden describir matemáticamente pero no se pueden identificar porque es imposible derivar una fórmula que los genere a partir de sus valores.
Quizá haya otras herramientas matemáticas. Dime si conoces alguno.puede, en una suposición, un método tabular para definir una función, la interpolación
de un vistazo, puede utilizar un método tabular para especificar una función, la interpolación
Podría estar equivocado, pero creo que así es como funcionan las redes neuronales.
Una matriz de datos se organiza en una especie de tabla, donde cada celda es una neurona que recuerda un valor. En el proceso de "aprendizaje" (recarga de nuevos datos), los valores de las celdas se agregan y se reducen a un rango. Finalmente, cada neurona recuerda el rango de valores obtenido en el ciclo de carga de datos y produce un "modelo" (una matriz con valores de rango) que, a modo de plantilla, se aplica a la nueva tabla de datos y se produce el "reconocimiento" (si los datos se ajustan a los rangos). Dicho de forma amateur, pero esa es la idea. Me pregunto qué tienen que decir los expertos.
En este caso, las redes neuronales son ideales para el reconocimiento de patrones.
Podría estar equivocado, pero creo que así es como funcionan las redes neuronales.
Una matriz de datos se dispone en una especie de tabla, donde cada celda es una neurona que recuerda un valor. En el proceso de "aprendizaje" (recarga de nuevos datos), los valores de las celdas se agregan y se reducen a un rango.
1. En el caso general, la respuesta es no
2. como caso especial, sí, pero depende del tipo de NS
1. La NS se caracteriza no por "memorizar una neurona" sino por cambiar su peso - la conexión entre neuronas, todo ello está claramente escrito en la hubra y fácil de leerhttps://habr.com/ru/post/312450/.
2. lo más probable es que se trate de redes de Hamminghttps://habr.com/ru/sandbox/43916/
Y si has decidido ponerte en serio con el tema, tendrás que leer al menos un libro (para entender que el siguiente libro tendrá un 80% de repeticiones del libro anterior)), y al menos entender la diferencia entre la tarea de clasificación y la regresión para la NS - básicamente todo se construye sobre ella, el resto son variaciones sobre este tema y formas de aprendizaje y tipos de NS - no he estudiado en profundidad, muchas cosas que se repiten pero que se intentan presentar como algo muy nuevo llamándolo un nuevo término ... mucha confusión, mucho ruido ))))
1. en general la respuesta es no
2. como caso especial, sí, pero depende del tipo de SN
1. El SN se caracteriza no por "recordar una neurona" sino por los cambios de peso - comunicación entre neuronas, en general está claramente escrito en hubra y fácil de leer https://habr.com/ru/post/312450/
2. lo más probable es que se trate de redes de Hamminghttps://habr.com/ru/sandbox/43916/
Y si has decidido ponerte en serio con el tema, tendrás que leer al menos un libro (para entender que el siguiente libro tendrá un 80% de repeticiones del libro anterior)), y al menos entender la diferencia entre la tarea de clasificación y la regresión para la NS - básicamente todo se construye sobre ella, el resto son variaciones sobre este tema y formas de aprendizaje y tipos de NS - no he estudiado en profundidad, muchas cosas que se repiten pero que se intentan presentar como algo muy nuevo llamándolo un nuevo término ... mucha confusión y ruido ))))
Gracias, me ha gustado el primer artículo, pero no entiendo por qué de repente la red funciona así. Describe todo con sencillez, pero no queda nada claro de qué se trata. Sólo información sin ningún ejemplo real.
Pesos, neuronas, entrada y salida, ocultos, sinapsis... Los valores están necesariamente entre 1 y 0. ¿Por qué es así y no así?
¿Cómo entrenar la red con datos cuyo tipo no es doble, y más allá del rango de cero y uno? ¿Cómo se declara una capa? ¿Cómo se establece el número de neuronas? ¿Dónde cargar los datos?
En resumen, aún no lo he descubierto.Gracias, me ha gustado el primer artículo, pero no entiendo por qué de repente la red funciona así y no de otra manera. Es simple, pero no está claro de qué se trata. Sólo información sin ningún ejemplo real.
Pesos, neuronas, entrada y salida, ocultos, sinapsis... Los valores están necesariamente entre 1 y 0. ¿Por qué exactamente esto y no lo otro?
¿Cómo entrenar la red en los datos cuyo tipo no es doble, y más allá del rango de cero y uno? ¿Cómo se declara una capa? ¿Cómo se establece el número de neuronas? ¿Dónde cargar los datos?
En resumen, aún no lo he descubierto.función de activación de google y normalización de la red neuronal
ejemplohttps://www.mql5.com/ru/forum/5010#comment_329221 y también está bajo alglibhttps://www.mql5.com/ru/forum/8265/page2#comment_333746
pero todavía hay que leer un libro; la prueba y el error no es una tarea fácil.
función de activación de google y normalización de la red neuronal
ejemplohttps://www.mql5.com/ru/forum/5010#comment_329221 y lo mismo bajo alglib https://www.mql5.com/ru/forum/8265/page2#comment_333746
Pero aún así necesitas algún tipo de libro, no puedes hacerlo de memoria.
Bien. Quiero descubrirlo por mí mismo, y luego leer el libro. )
El artículo dice que hay tres usos de las redes: clasificación, predicción y reconocimiento. Entonces resulta que el reconocimiento de los patrones de precios no debe implicar los datos de OCHL, sino las capturas de pantalla de los gráficos. Elreconocimiento con imágenes funciona.
Entonces resulta que el reconocimiento de los patrones de precios no debe basarse en los datos de OCHL, sino en las capturas de pantalla de los gráficos. El reconocimiento con imágenes funciona.
¡Increíble! )))
¿qué es una captura de pantalla?
y ¿qué es el OHLC?
¡en la representación de la máquina!
(¡Risas!) )))
¿qué es una pantalla?
y ¿qué es el OHLC?
¡en la representación de la máquina!
El artículo separa las tres aplicaciones de las redes. Una cosa es reconocer a partir de los datos de los precios, y otra es reconocer a partir de los datos de los colores. Aun así, los enfoques y mecanismos son completamente diferentes.
ZZZ. Los patrones de precios son de naturaleza gráfica, no matemática. Si uno intenta reconocerlos matemáticamente, se queda perplejo, pero gráficamente es fácil.