Ricerca di un modello arbitrario utilizzando una rete neurale - pagina 6

 
Peter, dopo aver familiarizzato con le reti, dai un'occhiata alle reti di convoluzione.
 
Реter Konow:

Una cosa è riconoscere dai dati di prezzo, un'altra è riconoscere dal colore. Ancora, approcci e meccanismi completamente diversi.

Pensi che abbia senso per un PC avere uno schema di colori? )))

OK, mi arrendo, altrimenti continuerete a farmi ridere ))))

Per NS e in effetti per qualsiasi algoritmo di interazione con il PC tutti i dati saranno presentati sotto forma di array (la memoria o gli array non sono importanti qui)

e non farà alcuna differenza ciò che si insegna a NS agli array OHLC o agli array di bitmask dello schermo,

.....though nell'apprendimento automatico c'è un certo "trucco" che i dati e la configurazione e il tipo di NS possono avere importanza - ma qui regna più la casualità ;)

 
Igor Makanu:

Pensi che lo schema di colori della grafica abbia senso per un PC? )))

OK, mi arrendo, altrimenti continuerai a farmi ridere ))))

Per NS, e in effetti per qualsiasi algoritmo che interagisce con il PC, tutti i dati saranno presentati come array (la memoria o gli array non sono importanti qui)

e non farà alcuna differenza ciò che si insegna a NS agli array OHLC o agli array di bitmask dello schermo,

.....though nell'apprendimento automatico c'è un certo "trucco" che i dati e la configurazione e il tipo di NS possono avere importanza - ma qui regna più la casualità ;)

Senza dubbio ne capite più di me di MoD, ma qui c'è un'incongruenza logica. I dati OCHL e i dati delle schermate dei modelli sono fondamentalmente diversi a livello di computer. Nel caso del prezzo è doppio, nel caso del colore è uint. Nel caso di OCHL abbiamo bisogno di analizzare una correlazione dei valori dei parametri di prezzo delle barre, e nel caso di un'immagine - la corrispondenza all'immagine cercata. L'allenamento con i dati OCHL è una ricerca di modelli numerici, non grafici (che sono, comprensibilmente, anche numeri per una rete). L'apprendimento di modelli grafici, d'altra parte, utilizza un materiale e un metodo completamente diverso. Forse trovare un modellografico attraverso un modello numerico è sbagliato. Penso che questi siano approcci diversi all'apprendimento e al riconoscimento.
 
Aliaksandr Hryshyn:
Peter, dopo aver familiarizzato con le reti, dai un'occhiata alle reti di convoluzione.
Lo farò.
 

Madre di Dio!


 
E la quantità di dati OCHL per modello è ~ 10 o 100 numeri, e un'immagine grafica ~ 300*300 pixel valori di colore.
 
Dmitry Fedoseev:

Madre di Dio!


Non si picchi così tante volte, tutti fanno degli errori).
 
Реter Konow:
Non abbatterti così tanto, tutti fanno degli errori).

Ma non tutti si mettono in mostra in questo modo.

 
Igor Makanu:

Ahimè, non sei riparabile!

Al computer non importa cosa elabora - alla fine non sa nemmeno cosa gli è stato dato, che sia un'immagine o dati nucleari o OHLS... i numeri sono numeri così come sono!

Non so come altro spiegare che il PC non è intelligente - è un hardware stupido, quello che gli dai nell'algoritmo, lo elaborerà nell'algoritmo!

quindi l'hai spiegato?

))))

Pensi che il NS sia una "bacchetta magica" a cui qualunque cosa tu dia, ottieni sempre ciò di cui hai bisogno? Non importa quali siano i dati, non importa quanto siano grandi. Sono tutti numeri...

Allora non capisco, dov'è l'algoritmo che trova i modelli? Dov'è questo "onnipotente" NS? Hanno studiato MO per così tanto tempo e ancora nessun "pattern recognizer" nell'arsenale di MT.

 
Dmitry Fedoseev:

Ma non tutti si mettono in mostra in questo modo.

Come esperto puoi fare un NS che riconosce almeno 5 pattern su qualsiasi grafico e timeframe?