ニューラルネットと入力 - ページ 7

 
solar:
例えば、普通の銀行は、あなたがカードで何をしたかを追跡し、それが「普通でない」買い物であれば、グリッドはカードをブロックします。このネットは、空港や地下街で、正しい「顔」を見つける必要がある場合に備えて、長い間機能してきたのです。ネットは、探知・誘導の場合、ターゲットを特定します。大企業では - 緊急時に備えて、人の複製として。実際、ネットはいろいろなところで活躍しています。

最も広い。

私の中では、グリッドの基準は次のように考えています。何を教えればいいのかがわかる。例えば、手書きの文字「a」を認識させるために、何千もの綴りのバリエーションをグリッドに提示します。私は、すべての文字の変形の理想からの乖離が定常系列を形成しているのではないかと考えています。つまり、何を教えればいいのかが分かっていることと、理想からの乖離が定常系列を形成していることが、成功の条件となります。この理想から離れることは可能だと思われます。しかし、ここに第三の問題、つまり計算の複雑さが入り込んでくる。

しかし、私は市場について議論しているのです。市場には、より意識的にTSを構築できる数学的アルゴリズムが多く存在します。ですから、かなり複雑なNSに時間をかけるよりも、数理統計学に 時間をかけた方が生産的なのです。

 
faa1947:

最も広い。

私の中では、グリッドの基準は次のように考えています。何を教えればいいのかがわかる。例えば、手書きの文字「a」の認識は、グリッドに何千ものスペルのバリエーションを提示することで行います。私は、すべての文字の変形の理想からの乖離が定常系列を形成しているのではないかと考えています。つまり、何を教えるべきかがわかっていることと、理想からの乖離が定常系列を形成していることが、成功の条件となります。この理想を逸脱することは可能なようです。しかし、ここで第三の問題、つまり計算の複雑さが出てくる。

しかし、私は市場について議論しているのです。市場には、より意識的にTSを構築できる数学的アルゴリズムが多く存在します。ですから、かなり複雑なNSに時間をかけるよりも、数理統計学に時間をかけた方が生産的なのです。

アルファベットの文字を認識する(類推する)には、市場が閉じたシステムであることから進めるべきでしょう。つまり、市場について知っていることをすべてインプットすればいいのです。)))))
 
solar:
アルファベットの文字の認識については(類推)、市場が閉じたシステムであることを前提にする必要がある ...何が文房具になるのか(あなたの言葉で)。 つまり、市場について知っていることをすべてインプットすべきなのです。)))))


1.市場は人々の意見によって形成されるものであり、閉じたシステムではなく、生きたシステムなのです。

2.文房具」は私の言葉ではありません。

以上、身を引いてください。

 
faa1947:


1.市場は人々の意見によって形成されるため、閉じたシステムではなく、生きたシステムなのです。

2.文房具」は私の言葉ではありません。

以上、身を引いてください。

私はあなたに何かを証明しようとしたのではない、私は興味がない ))) 。

return(0)です。

 
faa1947:

私の中では、グリッドの基準は次のように考えています。何を教えればいいのかがわかる。例えば、手書きの文字「a」を認識させるために、何千ものスペルのバリエーションをグリッドに表示させるのです。

そうではありません。しかし、多くのシンプルなネットは、あなたが言うように学習します。しかし、私たちの脳のように、その場で自己学習するネットワークもあるのです。ところで、ネットワークの有用性を否定するのは、私たちの脳の有用性を否定するのと同じことです。そして、私たちの脳は、定常的なデータ、非定常的なデータなど、あらゆる種類のデータをうまく操作しています。もうひとつは、単純な教科書のネットワークは、私たちの脳ができること、つまりパターンを見つけることなどができると主張することです。ですから、こうした「単純な」ネットワークがトレードに役立つかというと、私は悲観的です。また、生物学的な原理で働くより複雑なネットワークには、まだ十分なコンピュータパワーがありません。

ちなみに、自己学習するカメラについての興味深い動画があります。一度顔を見せると、カメラはさまざまな距離や角度で顔を認識するようになります。チェコスロバキアの学生が作ったもので、彼は後に自分の会社を設立しています。

https://www.youtube.com/watch?v=1GhNXHCQGsM

 
grell: 入力信号や中間信号を全く正規化しないことも可能です。信号がすべてのレイヤーを通過すると、そのレベルはちょうど必要な範囲、+/-に上昇し、出力は正規化されます...。こんな感じです。

正規化しないことは、もちろんそれが可能であれば、データを供給するのに最適な方法です。信号の情報量はすべて維持されます。歪みがない。
 
alsu: 問題は、入力によってスケールが異なる可能性があることです。

正規化によって情報を歪めてしまうよりも、尺度と格闘したほうが、情報を保持できる可能性が高いのです。
 
alsu: NSは不安定な状態を嫌うというのが私の考えです。
さて、非定常性が好きな人はいますか?どんな高度なアルゴリズムでも、入力信号の特性が変われば破綻する。任意のアルゴリズム奇跡は起きない ))))
 
solar:
そして、2度目の質問ですが、ネットはリアルタイムでどこを操作しているのでしょうか?

要は、NSそのものが、学習過程で決定される未知の係数を持つある種の計算の連続であるということだ。数学ではこの作業を回帰問題と呼ぶ(その特殊なケースとして分類やクラスタリングがある)。これは全く異なるアルゴリズムで実行することができ、それぞれが特性や特殊性、利点と欠点を持っています。古典的なNSの利点は、対象に関する先験的なデータがなくても動作することである。

例えば、0から9までの数字の画像を認識するネットワークに、絵を見せ、正解を教えるとします。ネットワークの構造上、「桁はこういう大きさ、こういう色にする」と決めておかないと、入力されたデータに合わせて自己調整しなければならない。そして、実際、それは実現している--が!- が遅く、これこそがNSの欠点です。また、最初の1000個が白地に黒で、その後、黒地に白を表示するようにした場合(入力ラインに非定常性をもたらした)、グリッドを新たに学習させる必要があります。

しかし、あらかじめネットワークに絵が反転することを説明しておけば(つまり、非定常性を説明し、例えば、-N出力の未知信号を+Nと解釈するように言っておけば)、ネットワークはこの種の非定常性で混乱することはないでしょう。でも、もう一回で崩れる。しかし、このネットワークは、他のすべてのアルゴリズムと同様に、人間によってシステムに組み込まれた非定常データに対して最もよく働くという共通点をすでに持っています。

例えば、最適制御の理論で記述される入力信号のパラメータを追跡するアルゴリズムの多くは、先験的に定めたよりも広いクラスの非定常を追跡することができるが、当然ながら、いくつかの制限がある。NSは、残念ながらこれができない。NSの唯一の選択肢は、準定常系、つまり、パラメータがニューラルネットワークの学習時間以下の特性時間で浮遊するようなシステムであろう。

認識、意味解析(テキスト、音声、画像など)、認知(キャプチャを解く)、およびそれらの組み合わせなどです。しかし、複雑な作業には、この ような(文字通り)大きく複雑なネットワークが必要です(ちなみに、これは現在の技術の限界です、ぜひご覧ください)。

 
LeoV:
さて、非定常性が好きな人はいますか?どんな高度なアルゴリズムでも、入力信号の特性が変われば破綻する。任意のアルゴリズム奇跡はない ))))


ここでも、非定常性の性質があらかじめ分かっていれば、それをアルゴリズムに落とし込み、まさにこの非定常性を検出することで、コントローラのパラメータを迅速に調整することができます。