例えて言うなら、利口で視力の鋭いマルチ・ノイリストが「物体」を見つめると、たくさんの色のドットが見えるということだ。そして、口のきけない人、視覚障害者が近づいてきた。その点を見ることはできなかった。しかし、彼は「一般的に」、例えば「若者の肖像」という形で、そのパースペクティブを見ていた...。資料を見ながら、シンプルであればあるほどいいという印象を持ちました。過剰」よりも「不足」の方がいいということ。それよりも、（もちろん合理的な範囲での）不足がグリッドを学習させ、過剰が記憶されることが多いのです。私の個人的な実験（純粋に研究、読書、実験室での作業）では、ネットに供給されるデータにパターンがあれば、単純な単層パーセプトロンはわずか数エポックで学習することが分かっている。しかし、データがタイトであれば、少なくとも10層とエルマン（ジョルダン）層を2つほど入れ、レーベンベルグからのグラデーションを入れることができます。それでも何も出てきません。Debugger - input data is importantを訂正します。しかし、それらはそれ自体で重要なのではなく、必ず「関連して」「相対的に」重要なのです。しかし、デバッガーが説明する特殊なケースとして、存在する権利もあるのです。そして、「生」の価格はグリッドに押し込まれる可能性があります。例えば、近似器やリグレッサはそれらと連動しています。
本当におかしな指摘をすることがあります。
ニューラルネットワークが人間の脳よりもずっとずっと「バカ」であることに異論はないだろうと思います。
トレーディングに使うことで、全体像がとてもシンプルになるんだ。
IMHO...
とんでもないことを思いつきました。
ニューラルネットワークが人間の脳よりもずっとずっと「バカ」であることに異論はないだろうと思います。
まあ、トレードで使えば、全体像がとてもシンプルになるんですけどね。
IMHO...
なぜ、このニューラルネットワークにこだわるのですか？FXとニューロ、どっちがいい？:)
全体像がシンプルになる」とはどういうことでしょうか？
脳が分析する場合、より多くの神経細胞が関与している。連想、記憶、動機、視覚認識、すべて神経ネットワークよりはるかに複雑です。それが、大局観という概念に込められているのです。
その一部をニューラルネットワークに任せることができれば、システム全体がシンプルになり、より良いものになると思います。
ニューラルネットワークに関するフォーラムスレッドです。
こだわっているわけではないのですが、使える見込みはあると思います。
純粋に「思う」だけで生地を流し込むことに意味があるとは思えません。解析や数学のサポートを受けたい。要するに「藁を作る」ことです。
このスレッドの3番目の投稿のタブ24を参照してください...
脳が分析する場合、より多くの神経細胞が関与している。連想、記憶、動機、視覚認識、すべて神経ネットワークよりはるかに複雑です。それが、大局観という概念に込められているのです。
もしニューラルネットワークがこれらのことをある程度こなせれば、システム全体がシンプルになり、その結果、より良いものになると思いますね。
FXスナークやある金融の時系列が、脳より少ないニューロン数の人工ニューラルネットワークを使うと、どうしてシンプルになったり、良くなったりするのか、よくわからないのです。脳とニューラルネットワークの間で、アクションはどのように共有されるのでしょうか？
ニューラルネットワークに関する私の発言をまとめると、ニューロファインティファフを愛するすべての人に、私はこう宣言することができます。
このようなことわざのようなネットワークよりもシンプルで効果の劣らないアルゴリズムがあります。
脳よりも少ないニューロン数の人工ニューラルネットワークが、人工的なFXやある種の金融時系列を単純化したり、良くしたりできるのかがよくわからない？
例えて言うなら、利口で視力の鋭いマルチ・ノイリストが「物体」を見つめると、たくさんの色のドットが見えるということだ。そして、口のきけない人、視覚障害者が近づいてきた。その点を見ることはできなかった。しかし、彼は「一般的に」、例えば「若者の肖像」という形で、そのパースペクティブを見ていた...。資料を見ながら、シンプルであればあるほどいいという印象を持ちました。過剰」よりも「不足」の方がいいということ。それよりも、（もちろん合理的な範囲での）不足がグリッドを学習させ、過剰が記憶されることが多いのです。私の個人的な実験（純粋に研究、読書、実験室での作業）では、ネットに供給されるデータにパターンがあれば、単純な単層パーセプトロンはわずか数エポックで学習することが分かっている。しかし、データがタイトであれば、少なくとも10層とエルマン（ジョルダン）層を2つほど入れ、レーベンベルグからのグラデーションを入れることができます。それでも何も出てきません。Debugger - input data is importantを訂正します。しかし、それらはそれ自体で重要なのではなく、必ず「関連して」「相対的に」重要なのです。しかし、デバッガーが説明する特殊なケースとして、存在する権利もあるのです。そして、「生」の価格はグリッドに押し込まれる可能性があります。例えば、近似器やリグレッサはそれらと連動しています。
2 TimeMaster。私も同感です。私自身がニューロというテーマを掘り始めたとき、今思い出すと、何を教えるかという問題で悩むことはなかった。どう教えるかが一番の問題だった。マスターした結果、本題が解消され、最初の解消が行われました。今のところ、教え方はわかっても、何を教えたらいいのかがわからない（ノーアイディア）。
ここで一例を・・・。とはいえ、この例を示すと、ちょっと疑問がありますね。掃いて捨てるほどの悪口で恥ずかしいのですが...。おいおい、どうしたんだ。これは「ラボ」です。標準的な（これ以上標準的でない）単層パーセプトロンです。
ここでのポイントは単純で、掛け算の表です ))。1から9まで（1x9から9x1まで）のすべての数字を掛け合わせた81の例を手作業で作りました。16の例を別ファイルに移しました。最初のファイルは入力としてグリッドに供給され（65例）、2番目のファイルはクロスバリデーションとして供給される（16例）。クロスバリデーションとは何ですか？これは、学習中にすぐに未知のデータに対してグリッドの学習能力をテストするものです。左のグラフはトレーニングです。右のグラフはクロスバリデーション、つまりグリッドが見たことのないデータに対してグリッドを実行したものです。そして、何が見えるのか？クロスバリデーションは完璧です。つまり、グリッドが未知の作品に対して完璧な正解を見出したのである。つまり、グリッドはHASを学習したのです。つまり、最初の結論は「グリッドは学習する」ということです。第二の結論は、「ネットは学習する」ということで、「ネットが学習しない」のであれば、問題は「ネット」にあるわけでは全くない。残念...