Que mettre à l'entrée du réseau neuronal ? Vos idées... - page 60

Nouveau commentaire
 
Maxim Dmitrievsky #:
Maximiser la qualité de la formation, c'est maximiser la qualité des prédictions sur les nouvelles données. Personne ne s'intéresse aux prédictions sur l'échantillon d'entraînement, car elles sont déjà connues. Ce n'est pas de l'apprentissage, c'est de l'approximation. On ne parle pas d'apprentissage par approximation.

Par exemple, un MLP à deux couches est un approximateur universel qui peut approximer n'importe quelle fonction arbitraire avec n'importe quelle précision. Cela signifie-t-il qu'il est formé à la qualité maximale ? Bien sûr que non. Sinon, nous n'inventerions pas d'autres architectures de réseaux neuronaux qui sont meilleures pour l'apprentissage, et non pour l'adaptation, à des tâches spécifiques.

Faible, bien que vous sembliez être sur le sujet depuis longtemps.
Eh bien, si l'on entraîne la table de multiplication, la loi d'Ohm et d'autres lois, plus on donne d'exemples pendant l'entraînement, plus les réponses seront précises sur de nouvelles données.

Dans une situation bruyante, les opérateurs radio peuvent faire face au bruit blanc (ou à d'autres bruits naturels appris), alors que dans le commerce, le bruit change constamment. Tout cela est donc très compliqué pour l'évaluation de la qualité.
 
Andrey Dik #:

D'accord, le mot "grade" est apparu, excellent.

L'apprentissage doit donc être évalué d'une manière ou d'une autre, peu importe comment, l'essentiel étant d'améliorer la note. C'est vrai ?

La note maximale est obtenue avec une mémorisation absolue. Dans le commerce, dans une situation bruyante, chacun danse avec son tambourin comme il peut)))) Certains sur le test, d'autres sur la validation croisée, d'autres encore sur la marche en avant. Et quelqu'un à l'œil))))
 
Aleksey Nikolayev #:
Quel est le problème avec la définition habituelle de l'apprentissage - l'attribution de valeurs spécifiques aux paramètres du modèle ?

I van Butko #:

Elle ne reflète pas l'essence de l'apprentissage.



On peut assigner n'importe quel type de charabia et de non-sens. Si l'on part de l'opposé (mémorisation), l'apprentissage est l'identification de certains modèles, grâce auxquels on peut créer ou identifier de nouvelles connaissances. Un exemple : Chat écrit des poèmes sur un sujet arbitraire.

L'apprentissage par modèle et l'apprentissage humain - dans les deux cas, il faut ajuster les paramètres du modèle (neurones dans le cerveau).

D'accord. La question est que personne n'a besoin de n'importe quelle formation, mais d'une bonne formation. Quel est le critère d'évaluation de la qualité de la formation ?

 
Forester #:
Le score maximum se situe au niveau de la mémorisation absolue. Dans le commerce, dans une situation bruyante, chacun danse avec son tambourin comme il peut))))) Certains sur le test, d'autres sur la validation croisée, d'autres sur la marche en avant. Et quelqu'un à l'œil)))))
En d'autres termes, l'apprentissage est un processus qui maximise l'estimation (ou minimise l'erreur), n'est-ce pas ?
 
Dans la discussion sur l'intelligence, nous avons essayé de décrire son essence. Et les partisans de la connexion biologique avaient un critère (si je ne me trompe pas) - la capacité d'apprentissage.

Ainsi, l'apprentissage par cœur (man-encyclopédie), comme le montre la pratique sociale, est au contraire un signe de faiblesse de l'intellect.

Et au contraire, une personne qui ne possède pas toutes les connaissances peut y parvenir plus rapidement par l'expérience.

Ainsi, en disposant d'un certain volume de connaissances, le second type d'intellect commencera à dépasser le premier, dans le développement, la pratique, l'activité, la recherche, etc.

Par conséquent, je n'inclurais pas le concept de "mémorisation complète" dans la définition ou la description de l'apprentissage.



En ce qui concerne le forex, pour créer un moteur capable de tirer parti du graphique des prix, nous devons envisager une architecture qui accepte plus d'une valeur par entrée et qui ne se brise pas.

La pratique montre que plus il y a de valeurs par entrée, pire c'est, et ce devrait être l'inverse.

Mais, d'un autre côté, il y a deux types d'entrées en relation avec le graphique :

1. Une séquence de données temporellement similaires ( !).

2. uniquement les données les plus récentes mais hétérogènes.

Ainsi, dans le même MLP simple, le premier type de données se décompose sans ambiguïté si plus d'une valeur est introduite.

Mais le deuxième type fonctionne parfois ( !) mieux si vous trouvez des données d'entrée appropriées (complémentaires).

Par exemple, la position du prix dans une fourchette et la position d'un certain oscillateur donnent parfois un modèle de travail qui répète le succès sur des paires alliées.

Avec le premier type de données, c'est impossible, avec chaque nouvelle entrée (ancienne dans le temps) - le résultat sur les paires alliées obtient la valeur aléatoire absolue.


C'est de là que m'est venue l'idée qu'il existe un apprentissage au sens informationnel (non pas sur des exemples de la vie, mais sur des exemples de l'environnement virtuel). Et l'environnement virtuel, ce sont les bits.

Si nous omettons la question des octets et de la raison pour laquelle ils sont si nombreux (signes), une chose demeure : non seulement les nombres, mais aussi les signes sont sujets à l'apprentissage.
Par conséquent, les données d'entrée ne doivent pas avoir uniquement une valeur numérique, car le nombre a un facteur de puissance (en lui-même - déjà un poids), mais doivent avoir une certaine forme qualitative (a, B, C), où ces signes se verront attribuer un poids - déjà par des nombres.

Par conséquent, si l'on compose une architecture d'apprentissage, il n'est pas nécessaire de s'inspirer des manuels, il s'agit presque d'un processus créatif.

Mais pour sortir de la créativité et suivre la voie de la justification, il est nécessaire de décrire au moins ce qu'est l'apprentissage au sens informationnel (appliqué).
 
Andrey Dik #:
C'est-à-dire l'apprentissage d'un processus qui maximise l'estimation (ou minimise l'erreur), n'est-ce pas ?

Non. L'apprentissage peut se faire sans évaluation. La notation est une option.

Si vous mémorisez toute la table de multiplication. Que vous soyez noté ou non, vos connaissances ne changeront pas (si vous les avez bien mémorisées).
 

A ndrey Dik #: L'apprentissage est un processus qui maximise l'estimation (ou minimise l'erreur), n'est-ce pas ?

En apprenant, vous ne passez pas par les options :

3*3=1,2,3,4,5,6,7,8,9,10,11...
puis vous calculez la différence avec 9 et en déduisez que la réponse est vraiment 9. Vous mémorisez 9 immédiatement.

 
Forester #:

Non. L'apprentissage peut se faire sans notes. Les notes sont une option.

Si vous mémorisez toute la table de multiplication. Que vous soyez noté ou non, vos connaissances ne changeront pas (si vous les avez bien mémorisées).

comment savoir si vous avez appris la table de multiplication en totalité ou en partie sans note ?
 
Forester #:

Non. L'apprentissage peut se faire sans notes. Les notes sont une option.

Si vous mémorisez toute la table de multiplication. Que vous soyez noté ou non, vos connaissances ne changeront pas (si vous avez bien mémorisé).

F orester #:

Ce n'est pas comme si vous passiez par les options lorsque vous apprenez :

3*3=1,2,3,4,5,6,7,8,9,10,11...
puis vous calculez la différence avec 9 et vous apprenez ainsi que la réponse est en fait 9. Vous mémorisez 9 immédiatement.


Comment savoir si vous avez appris la table de multiplication complètement ou seulement partiellement sans note ?

 
Andrey Dik #:


comment savoir si vous avez appris la table de multiplication complètement ou seulement partiellement sans note ?

On ne le sait pas. Vous apprenez ce qu'on vous donne à apprendre.
1...53545556575859606162636465666768
Nouveau commentaire