Recherche d'un motif arbitraire à l'aide d'un réseau neuronal - page 3

 
Dmitry Fedoseev:

Pensez-vous qu'il existe une différence entre les "descriptions humaines" et les "comptages par réseaux neuronaux" ?

Un réseau neuronal est formé par des exemples, sans entrer dans les détails des dépendances.

Exactement. Vous devez d'abord lui préparer 100500 exemples de différentes "épaules" et l'enseigner sur ces exemples.

En fait, les modèles de prix peuvent être décrits par les mathématiques, vous n'avez pas besoin de NS pour cela. Mais essayer de trouver les signes d'un faux modèle est exactement la tâche de NS.

 
Dmitry Fedoseev:

Pensez-vous qu'il existe une différence entre les "descriptions humaines" et les "comptages par réseaux neuronaux" ?

Un réseau neuronal est formé par des exemples, sans entrer dans le détail des dépendances.

Dmitry, s'il vous plaît expliquer plus en détail votre réponse, oui ils ne vont pas dans les détails des dépendances, mais ce sont les mathématiques qui sous-tendent, je pense (imho) que dans la base des actions humaines se trouve aussi les mathématiques, lui-même il est plus complexe mais aussi 1+1=2

 
Aleksey Vakhrushev:

c'est plus complexe mais aussi 1+1=2

pour NS 1+1=2 , mais avec une précision donnée

pour certains types de SN, les résultats de la formation ne seront pas tous identiques à la formation précédente, mais ils (les résultats) seront égaux à la précision égale à l'erreur de formation

La base de la NS n'est pas tant les mathématiques, (oui, la formation NS est un calcul mathématique), mais c'est le type de NS, la structure de la NS. fonction d'activation, ce que vous enseignez NS classification ou régression ... C'est-à-dire que vous ne pouvez pas simplement dire que NS m'a donné ce résultat - il est juste ou vice versa NS ment. NS est une boîte noire, non pas parce que vous voulez l'appeler ainsi, mais parce que NS utilise lemodèle de la boîte noire.

 
Aleksey Vakhrushev:

Dimitri, s'il te plaît explique plus en détail ta réponse, oui ils ne rentrent pas dans les détails des dépendances, mais ce sont les mathématiques qui sont à la base, je pense (imho) que les actions humaines sont aussi basées sur les mathématiques, en soi c'est plus complexe mais aussi 1+1=2

Vous devez connaître un peu la façon dont les réseaux neuronaux sont utilisés. Il y a une image d'entrée, il y a un résultat de sortie. Après avoir obtenu un grand nombre de ces paires (image d'entrée - résultat de sortie), un réseau de neurones est formé. Et personne ne se soucie de savoir pourquoi telle image donne tel résultat, il y a juste un ensemble de faits expérimentés et c'est tout. L'image analysée est ensuite transmise à l'entrée du réseau entraîné et le résultat est visible à la sortie.

 
Dmitry Fedoseev:

Vous devez connaître un peu la façon dont les réseaux neuronaux sont utilisés. Il y a une image d'entrée, il y a un résultat de sortie. Un réseau neuronal est formé à partir d'un grand nombre de ces paires (image d'entrée - résultat de sortie). Et personne ne se soucie de savoir pourquoi telle image donne tel résultat, il y a juste un ensemble de faits expérimentés et c'est tout. Ensuite, un réseau entraîné reçoit une image à analyser et regarde le résultat à la sortie.

C'est ce que vous venez de décrire avec la formation des enseignants. Lorsqu'il est possible de collecter des données historiques et de demander au réseau de trouver la loi mathématique (modèle) qui les décrirait le plus précisément possible. Mais parfois, il n'y a pas de données historiques en tant que telles, mais un ensemble de modèles qui doivent être décomposés, triés pour ainsi dire. Tout cela est fait par différents réseaux. Autrement dit, un système d'IA à plusieurs niveaux est conçu, dans lequel un réseau trie les modèles et un autre définit leur validité. Question : Pourquoi avons-nous besoin du premier NS si nous pouvons mathématiquement les ranger sur les étagères SANS NS ? La réponse à l'autre question sur la véracité du modèle formé est beaucoup plus intéressante.

Vous voulez donner un conseil clé !!!!!!?????? Je peux le voir dans vos yeux :-) OK, je vais le donner en exemple.

Si nous considérons tout modèle comme un fait accompli (modèle formé), cela ne nous donne qu'un moment pour analyser le marché. Supposons que nous commencions à faire nos propres calculs dans la mesure suivante après la formation du modèle. Cela signifie, en fait, que le modèle lui-même ne nous donne que le moment où nous devons effectuer le calcul, mais nous laissons à NS le soin de décider de quel type de modèle il s'agit, quelles conditions ont conduit à sa formation et ce qui s'est passé lorsqu'il s'est formé. Si l'on considère que tout modèle ne nous donne que le moment de l'analyser, alors avec un ensemble de 10 modèles, nous obtiendrons beaucoup plus de barres pour l'analyse. Il n'est pas nécessaire de former un filet pour "la tête des épaules", un autre pour "trois soldats", etc. Mais il est nécessaire d'informer le SN du type de motif dont il s'agit et cela se fait très simplement.

Nous avons donc écrit un indicateur qui peut détecter au moins 5 modèles d'achat et 5 modèles de vente. Bien entendu, l'ordre futur des modèles n'est pas connu et ils apparaissent de manière chaotique. Le NS ne se soucie pas vraiment du type de motif, il examine l'ensemble de données d'entrée au moment de la formation de l'un des motifs et, théoriquement, si les motifs diffèrent radicalement, les ensembles de données d'entrée différeront également de manière significative dans la mesure où le net le verra. Mais cela ne nous suffit pas et nous voulons dire avec force au réseau de quel type de motif il s'agit. C'est très facile à faire. Les motifs sont codés de -5 à +5 et les valeurs d'entrée sont multipliées au stade le plus précoce de la conversion des données. La multiplication disperse les données le long de l'axe Y, ce qui fait que les données d'un motif sont multipliées par le même nombre et décalées d'une certaine distance. Par conséquent, les entrées dépendront du type de motif. Donc ce que nous avons à la fin :

1. Nous écrivons un indicateur de base qui définit des modèles, formant des signaux pour l'analyse.

2. définir l'ensemble des données d'entrée

Déterminer la structure interne du SN, les méthodes de formation, les méthodes d'analyse des erreurs, etc.

4. Dans l'indicateur de base, faites un tampon pour la variable de sortie. N'oubliez pas que nous ne connaissons pas le résultat du modèle le plus récent. Le tampon doit être tel que les valeurs futures soient attribuées aux modèles. En sauvegardant le fichier d'entraînement, nous connaîtrons les résultats de TOUS les modèles, sauf le dernier.

5. Nous élaborons une méthode pour vérifier la généralisabilité des modèles obtenus.

C'est tout......

 

Un autre point intéressant m'est venu à l'esprit en regardant le titre du fil de discussion.

Supposons que nous voulions trouver des modèles arbitraires en utilisant des NS que nous ne connaissons pas. Question : Si nous ne connaissons pas les modèles eux-mêmes, alors qu'est-ce qui est connu ? Correct, nous connaissons les réactions à ces modèles, ou plutôt nous devons choisir dans quelles conditions rechercher nous-mêmes ces modèles. Formulons la formulation du problème :

Trouver des modèles de 5 chandeliers après lesquels le taux change de plus de 10% pendant les 4 chandeliers suivants. Bien sûr, nous pouvons organiser un déchargement de ce type de l'historique et générer un fichier d'entraînement contenant seulement 5 barres précédant la réaction du marché pour chaque cas. Ensuite, nous apprenons au filet à afficher 1 pour les barres précédant chaque hausse et -1 pour toutes les autres barres. Après l'entraînement, nous commençons à envoyer les données des 5 dernières barres à l'entrée du réseau, barre par barre, et lorsque la grille affiche 1, les entrées contiennent exactement le même modèle ou un modèle similaire à celui de notre entraînement.

Avec cette approche, nous ne saurons pas de quel type de modèle il s'agit et quels sont ses paramètres. Notez que j'ai limité 5 barres sur les entrées lorsque ce nombre est flottant, lorsque pendant la formation nous ajustons également la fenêtre d'entrée, alors le nombre de résultats d'optimisation augmente plusieurs fois et le nombre de modèles devient le nombre de données sauvegardées lorsque chaque enregistrement est si unique que sur 1000 enregistrements nous avons 1000 clusters. IMHO !

Je pense que cette approche a sa place, même si elle présente certaines limites. Au moins, il n'enfreint aucune règle essentielle, comme le voyeurisme, etc.

 
Que ce soit avec ou sans professeur, c'est une perspective différente sur la même chose. Vous devez connaître la situation et son issue ; si vous ne le faites pas, vous ne pouvez rien enseigner. Et vous n'avez pas besoin du don de Dieu avec les œufs - c'est-à-dire l'enseignement et la classification.
 
Dmitry Fedoseev:
Que ce soit avec ou sans professeur - une perspective différente sur la même chose. La situation et son issue doivent être connues ; si elles ne le sont pas, vous ne pouvez rien enseigner. Et vous n'avez pas besoin du don de Dieu avec l'œuf - c'est-à-dire l'enseignement et la classification.

Lorsque l'on apprend sans professeur, on ne connaît généralement pas le résultat, alors qu'en est-il dans ce cas ?

 

Mihail Marchukajtes:

Michael, le réseau neuronal fonctionne un peu différemment. Ça ne fonctionne pas comme vous le voulez.

 
Mihail Marchukajtes:

Lorsque l'on apprend sans professeur, le résultat est généralement inconnu, alors comment cela fonctionne-t-il ?

Seulement la classification. Le réseau apprend à distinguer les situations (images), mais il ne peut pas savoir ce qu'il faut faire dans tel ou tel cas ni comment appeler telle ou telle image.