MTSにおける人工知能の活用 - ページ 20

 
usdeur:
solandr さんが書きました(a)。
usdeur:
続きは、E-mailで。

残念ながら、返信の内容は何も理解できませんでした。すでにこのフォーラムで問題点について具体的に書いていただけませんか? そうでなければ、メールのやりとりをする意味がありません。
メール自体はどこにあるのでしょうか?
 

数学者に質問です。

最適化するパラメーターの多変量正規分布を適用するという考え方は、ニューラルネットワークの 原理とイコールなのでしょうか?

わかりやすく説明してください。

 
開発者の皆さん、こんにちは。
ANNとそのFXへの応用を知った後、このテーマ(ANN、FXは昔から知っています)を勉強したいと思い、勉強しました。
1)ある資料で、ANNを学習する際に「システムを再教育する」ことが可能であると書かれていました。すなわち、ANNは些細な表となり、汎化する能力を失う。FORECで動作するANNでそのような状況が起こりうるのか、また、そのような状況が起こりうるかどうかは、学習方法(GA、確率的、誤差の逆伝播法)やネットワークの種類(単方向多層モデルを使用予定)に依存するのか、という質問です。そんな事態を避けるにはどうしたらいいのか。
2) 歴史(a)と学習後の作業(b)について、些細な方法を選ぶとすると、(a) 歴史Tのある時点、つまり現在の時点T=0で、近値X(T+1), X(T+2), X(T+3),...の学習システムを入力します。X(T+N)(ここでN=const、XはTの関数としての商品の価格)、そしてその瞬間に私のシステムがトレーニング前に行った予測X'(T)とX(T)の実際の値をフィードします。= 次にTを1つ減らし、T > 0になるまでこのサイクルを繰り返します(Tが大きければ大きいほど、Tは "1ステップ "のため、より "古い "時間の瞬間となります)。Tは例えば1日)、システムが訓練されたとき(b)私は単に「ステップ」を待ち(私たちの場合は1日待ちます)、前の予測が正しくなかった場合、私はシステムを教え、次に私は予測を計算し、それと取引を開く、等々です。.
私がこの資料で見たANNに基づいて作業するアドバイザーは、予測の正しさの確率(間違っていたら訂正してください)によって導かれ、この確率が人間によって与えられたある定数Bより大きければ、取引が開始されるのである。EAの仕組みなどで、一般的に確率をどのように評価しているのでしょうか?
私自身は、例えばEAが24時間ごとに取引を開始しない方法がわかりません(予測利益がシンボルのスプレッドより低い場合を除く)。Expert Advisor はどのような入力データを使って、定期的に NOT を入力 することができるのですか?
3) CeasarのEAで、忘却の定数を見たが、なぜ必要なのか、また、学習方法依存の忘却をどのように実装するのか理解できない。 忘却」する能力は、ANNの自然な性質ではないか?

ZZY私はトピックANNに関する専門家の意見を必要とする、あまりにも怠惰な書き込みをする場合は、plzは、ちょうど私に個別にスレッドの各項目に答えるリソース(s)へのリンクを投げる。
ZZZY ソースコードは読んでおらず、使い方の説明書だけ勉強しています。
 
Aleksey24:

数学者に質問です。

最適化するパラメーターの多変量正規分布を適用するという考え方は、ニューラルネットワークの 原理とイコールなのでしょうか?

わかりやすく説明してください。

何とも不思議な質問ですね。
質問内容を説明してください。
 
Mak:
アレクセイ24

数学者に質問です。

最適化するパラメーターの多変量正規分布を適用するという考え方は、ニューラルネットワークの 原理とイコールなのでしょうか?

わかりやすく説明してください。

というのは、不思議な質問ですね。
質問を説明する。



この質問は、"ニューラルネットワークに悩む価値はあるのか?"という意味だと思います。
 
Mak:
アレクセイ24

数学者に質問です。

最適化するパラメーターの多変量正規分布を適用するという考え方は、ニューラルネットワークの 原理とイコールなのでしょうか?

わかりやすく説明してください。

というのは、不思議な質問ですね。
質問を説明する。



この質問はおそらく、"ニューラルネットワークをわざわざ使う価値があるのか?"という意味だろう。
 
質問(2)にさらに付け加えます。このプログラム構成は、入力データそのものではなく、ANNの学習に対するアプローチ、つまり、いつ学習関数を呼び出すかということですが、実行可能でしょうか?
 
1.可能であり、しかも、ほとんどの場合、そのような状況になると思われます。
学習方法に依存せず、ネットワークの種類に依存することもあるが、その可能性は低い。
回避方法 - 訓練サンプルは、ネットワークのウェイトパラメータ数の数百倍、数千倍にする必要があります。
であれば、オーバートレーニングになる確率は低くなります。

ポイントは簡単で、NSは入力の集合と重み付けパラメータの集合の関数に過ぎないということだ。
パラメータのセットを選択することで、関数の出力で所定の応答を得ることを目指す、これが学習である。
重み付けパラメータは何百、何千とあり、そのためほとんどの場合、ネットワークの過剰学習が発生します。
 
IMHOは、ネットワークで蒸し返す価値はないと考えています :)

NSの学習は、実は膨大な数のパラメータ(数百、数千)を持つ関数を最適化することなのです。
この場合、オーバートレーニングにならないようにするには、どうしたらいいのかわかりません。
唯一の解決策は、1〜1億サンプルのトレーニングサンプルを取ることです。
しかし、保証はない...。
 
Mak さん、明らかに何かを誇張していますね。何百倍、何千倍と超えるのではなく、おっしゃる通り、ANN理論では10倍で十分です。そして再トレーニング(フィッティング)の基準は既知であり、テスト領域でのグローバル最小誤差である。

もうひとつは、ネットワーク・アーキテクチャです。補間メッシュより分類メッシュの方が良い。