rete neurale e ingressi - pagina 7
Ti stai perdendo delle opportunità di trading:
- App di trading gratuite
- Oltre 8.000 segnali per il copy trading
- Notizie economiche per esplorare i mercati finanziari
Registrazione
Accedi
Accetti la politica del sito e le condizioni d’uso
Se non hai un account, registrati
Beh, per esempio le banche normali tracciano - cosa fai con la tua carta, e se si tratta di acquisti "non caratteristici", la rete bloccherà la carta. La rete ha funzionato per molto tempo negli aeroporti, nella metropolitana nel caso in cui sia necessario trovare la "faccia" giusta. La rete identifica il bersaglio in caso di rilevamento e guida. Nelle grandi imprese - come duplicato di una persona, in caso di emergenza. In effetti, la rete funziona in molti posti.
Il più largo.
Nella mia mente, lo standard per la griglia è il seguente. Si sa cosa insegnare. Per esempio, insegniamo il riconoscimento della lettera "a" scritta a mano presentando la griglia con migliaia di varianti ortografiche. Ho il sospetto che le deviazioni di tutte le varianti della lettera dall'ideale formino una serie stazionaria. Quindi ci sono due condizioni per il successo: si sa cosa insegnare e le deviazioni dall'ideale formano una serie stazionaria. Sembra possibile allontanarsi da questo ideale. Ma qui entra un terzo problema: la complessità computazionale.
Ma io sto discutendo del mercato. Sul mercato, ci sono molti algoritmi matematici che permettono un approccio più consapevole alla costruzione del TS. Quindi è più produttivo dedicare tempo alla matstatistica che a NS piuttosto complesse.
Il più largo.
Nella mia mente, lo standard per la griglia è il seguente. Si sa cosa insegnare. Per esempio, insegniamo il riconoscimento della lettera "a" scritta a mano presentando la griglia con migliaia di varianti di ortografia. Ho il sospetto che le deviazioni di tutte le varianti della lettera dall'ideale formino una serie stazionaria. Quindi ci sono due condizioni per il successo: si sa cosa insegnare e le deviazioni dall'ideale formano una serie stazionaria. Sembra possibile deviare da questo ideale. Ma qui appare un terzo problema: la complessità computazionale.
Ma io sto discutendo del mercato. Sul mercato, ci sono molti algoritmi matematici che permettono un approccio più consapevole alla costruzione del TS. Quindi è più produttivo dedicare tempo alla matstatistica che a NS piuttosto complesse.
Come per il riconoscimento delle lettere dell'alfabeto (per analogia), è necessario assumere che il mercato sia un sistema chiuso... Cosa lo renderà stazionario (nella tua lingua). Cioè dovremmo inserire tutto quello che sappiamo del mercato. )))))
1. Il mercato non è un sistema chiuso, ma un sistema vivente, poiché è formato dalle opinioni delle persone.
2. 'Stazionario' non è la mia lingua.
Questo è quanto: ritirarsi.
1. Il mercato non è un sistema chiuso, ma vivo, perché è plasmato dalle opinioni della gente.
2. 'Stazionario' non è la mia lingua.
Questo è quanto: ritirarsi.
Non ho cercato di dimostrarti nulla, non mi interessa ))).
ritorno(0);
Nella mia mente, lo standard per la griglia è il seguente. Si sa cosa insegnare. Per esempio, insegniamo il riconoscimento della lettera "a" scritta a mano presentando la griglia con migliaia di varianti ortografiche.
Non proprio, anche se molte reti semplici imparano come tu descrivi. Ma ci sono reti che si autoapprendono al volo, come il nostro cervello. A proposito, negare l'utilità delle reti è come negare l'utilità del nostro cervello. E il nostro cervello opera con successo con tutti i tipi di dati: stazionari e non stazionari. Un'altra cosa è sostenere che semplici reti da manuale possono fare quello che il nostro cervello può fare, cioè trovare schemi, ecc. Quindi sono pessimista sull'utilità di queste reti "semplici" nel trading. E non c'è ancora abbastanza potenza di calcolo per reti più complesse che lavorano su principi biologici.
A proposito, qui c'è un video interessante su una macchina fotografica che si auto-apprende. La telecamera impara a riconoscere i volti a diverse distanze e angolazioni una volta che le è stato mostrato un volto. Creato da uno studente cecoslovacco, che in seguito fondò la sua azienda.
https://www.youtube.com/watch?v=1GhNXHCQGsM
Non normalizzare è il modo migliore per alimentare i dati, se è possibile ovviamente. Tutta l'informatività del segnale è conservata. Non c'è distorsione.
È meglio lottare con la scala - c'è una migliore possibilità di conservare l'informazione che distorcere l'informazione con la normalizzazione.
E per la seconda volta chiedo: dove operano le reti in tempo reale?
Il punto è che la NS stessa è una certa sequenza di calcoli con coefficienti sconosciuti da determinare nel processo di apprendimento. Questo compito in matematica si chiama problema di regressione (i suoi casi speciali sono la classificazione e il clustering). Può essere eseguito da algoritmi assolutamente diversi, ognuno dei quali ha le sue proprietà e peculiarità, vantaggi e svantaggi. Il vantaggio della NS classica è che può funzionare in assenza di dati a priori sull'oggetto.
Per esempio, insegniamo a una rete a riconoscere immagini di numeri da 0 a 9, le mostriamo delle immagini e le insegniamo le risposte corrette. Se non abbiamo specificato nella struttura della rete che le cifre saranno di una certa dimensione, colore e così via, essa deve adattarsi ai dati di input. E, infatti, lo fa - ma! - lentamente, e questo è esattamente lo svantaggio di NS. E se le prime 1000 figure mostrate alla griglia erano nere su sfondo bianco, e poi abbiamo iniziato a mostrarle bianche su nero (portando la non stazionarietà nella linea di ingresso), allora la griglia dovrebbe essere addestrata di nuovo.
Ma se abbiamo spiegato in anticipo alla rete che un'immagine può essere invertita (cioè abbiamo descritto la non stazionarietà e l'abbiamo inserita nella struttura NS, per esempio, dicendole che un segnale sconosciuto sull'uscita -N deve essere interpretato come +N), allora la rete non si confonderà su questo tipo di non stazionarietà. Ma crollerà su un altro. Tuttavia la rete ha già questo in comune con tutti gli altri algoritmi: funzionano meglio su quelle non stazionarie, che sono state messe nel sistema da un umano.
Ma ci sono anche delle differenze: per esempio, molti algoritmi di tracciamento dei parametri del segnale d'ingresso descritti nella teoria del controllo ottimale sono in grado di tracciare una classe di non stazionari più ampia di quella stabilita a priori, naturalmente, con alcuni vincoli. NS, ahimè, non può farlo. Forse l'unica opzione per NS sono i sistemi quasi-stazionari, cioè quelli in cui i parametri sono fluttuanti con un tempo caratteristico non inferiore al tempo di apprendimento della rete neurale.
Quindi, per rispondere alla domanda: le reti funzionano principalmente in compiti in cui è impossibile o molto difficile definire a priori un modello di segnale di input: compiti di riconoscimento, analisi semantica (testo, suono, immagine, ...), cognitivo (risolvere captcha) e loro combinazioni. Ma i compiti complessi richiedono una rete GRANDE (letteralmente) e complessa, come questa (e questo, a proposito, è al limite della tecnologia attuale, guardate).
Beh, a chi piace la non stazionarietà? Qualsiasi algoritmo, anche il più sofisticato, fallirà quando le caratteristiche del segnale di ingresso cambiano. Qualsiasi algoritmo. I miracoli non accadono ))))
Di nuovo, se conosciamo in anticipo la natura della non stazionarietà, possiamo inserirla nell'algoritmo e, rilevando proprio questa non stazionarietà, regolare rapidamente i parametri del controllore.