第二に、教師なしで学習する場合、多次元空間における互いの近接性だけで、これらの点を赤と青に無闇に色分けしてしまう。また、この方法には、サンプルをいくつのクラスに分けるかを指定しないオプションがあり、ネットワーク自体がサンプルにいくつのクラスがあるかを決定し、クラスの数は最適化の 重要な結果となります。今、わかったんだ。ここで、ご紹介したいのはオプティマイザが1000個のベクトルを5つのクラスに分けたとします。どうしたらいいのでしょうか？Hoo of Hoo?今すぐタアアアアアアアアアアアアアアアアアアアアアアアアアアアアアアアアアアアアップまあ、聞こえないだけでファンファーレは鳴ってるんですけどね:-)
分類のみ。ネットワークは状況（画像）を区別することを学習するが、どのような場合にどうすればよいか、どの画像を何と呼べばよいかはわからない。
あなたは完全に混乱しており、人々を誤解させています。クラス分けは、先生の有無にかかわらず可能です。教師でネットワークを教える場合、原則として出力変数は0と1で構成され、この場合、出力変数は行動を促すものとなります。(0は売り 1は買い)であり、ネットワークは入力ベクトルをこの2つのクラスに分割しようとする。より正確には、各入力ベクトルを1つまたは別のクラスに割り当てようとする。タクス...このベクトルは1に属し、このベクトルは0に属します。
教師不在の授業とは、「授業数」パラメータを初期設定することです。例えば、1000件の応募があったとして、それを2つのクラスに分けるとします。データの距離によって、2つの山に分けるだけです。結局、入力ベクトルを多次元空間の点の座標と想像すれば、500点ずつの2つの雲のグループ分けを決めるのは、基本的に点間の距離ということになるのだろう。多次元空間を想像しようとしないでください。3次元を想像してください。普通。その結果、分割が必要な点のクラウドができました。
前者では、最適化を阻害するようなことをしながら、ネットワークの応答ができるだけ目標関数に近づくように無理やり分割していく。つまり、ドットの雲は、色を変えるだけで自由に分割することができる。0を売ったときに利益が出たものと、1を買ったときに利益が出たもの、その間に超平面を描いて、その右側に0、左側に1のままにしておけば、また別の問題である。一例として
第二に、教師なしで学習する場合、多次元空間における互いの近接性だけで、これらの点を赤と青に無闇に色分けしてしまう。また、この方法には、サンプルをいくつのクラスに分けるかを指定しないオプションがあり、ネットワーク自体がサンプルにいくつのクラスがあるかを決定し、クラスの数は最適化の 重要な結果となります。今、わかったんだ。ここで、ご紹介したいのはオプティマイザが1000個のベクトルを5つのクラスに分けたとします。どうしたらいいのでしょうか？Hoo of Hoo?今すぐタアアアアアアアアアアアアアアアアアアアアアアアアアアアアアアアアアアアアップまあ、聞こえないだけでファンファーレは鳴ってるんですけどね:-)
5つのクラスができたら、どのクラウドがどこに行くかを手動で分類する必要があります。どうすればいいのかまず、各クラウドについて1クラスずつチェックし、次に別のクラウドについてチェックし、間違いの少ないクラウドをチェックする必要があります。そして、2値分類には4つのクラスがあることを念頭に置くと、とても冷静に最適化の結果を行動指示と解釈し、そのようになります。
2つのアプローチの違いは、アクションインストラクションを最適化前に用意する方法と、最適化後に用意する方法だけです。そして、どちらが良いかを考えてみてください。それで...というのが頭に浮かびました...。
あなたは混乱し、人々を惑わせることになる。クラス分けは先生の有無に関わらず...。
ああ...まず、"enter "は抑揚のあるスペルです。2 - すべての牛に角があり、ヘラジカにも角がある場合、牛にはならない。
手動で」という言葉も活用される。そして、「先生」の「手で」と全く同じです。同じようでいて、違う角度から見ている。先生がいなければ、ただの分類です。
分類を空間上の点の集まりとして表現し、その近さを表現することは、ここでは重要ではなく、価格の実際の値には興味がないのである。ここでは、分類は別の方法で行われます。
*
一般的に言えば、ニューロネットは独立して考えることができない、全く考えることができない、ということを言いたかったのです。ニューラルネットワークを使いこなすには、学習させる必要がある。そして、それを教えるためには、インプットとアウトプット（条件と結果）のペアが必要です。
とにかく、「先生あり」「先生なし」という言葉は時代遅れなのです。先生との授業は自動化できる。そして、「教師なし」の学習は、騙されやすい感受性を持つ人々にとって、ただ興味をそそるフレーズでしかないのです。
...
この2つの方法の唯一の違いは、一方の方法では最適化の前に、もう一方の方法では最適化の後に、行動指示を作成することです。さて、どれが正しいか考えてみてください。それで...を思い起こさせる
そして、これです。
その通りです。まず、そのためにさまざまな「ヘッド＆ショルダー」の例を100500個用意し、その例で教える必要があります。
実は、価格のパターンは数学で記述 できるのです。そのためにNSは必要ないのです。しかし、偽のパターンの兆候を見つける試みは、まさにNSの仕事である。
しかし、賛否両論ある。1つのパターンが3〜4本ならいいのですが、何十本もあるとなると......。ここで、数学はどのように役立つのでしょうか？
ニューロネットがパターンに対する「視点の焦点」をどのように変化させるかは、明らかではない。例えば、「エリオット波動」のパターンは、5つの波で構成され、それぞれの波が独立したパターンになっています。ひとつの大きな模様の中に、さまざまな小さな形を見ることができるのです。
もし、ニューラルネットワークがあらゆる種類のパターンを見るように訓練されれば、1つのパターンを多くの形に分解し、多くの形を共通のパターンに組み立てることができるかもしれませんね。それとも、技術的な能力を超えているのでしょうか？
しかし、議論の余地はある。小節が3～4パターンならいいのですが、何十本もあるとなると......。どんな数学が役に立つのでしょうか？
だから、パターン認識アルゴリズムはバーの 数に不変であるべきだ。簡単に解決することができます。
目利きの方に質問です。ニューラルネットワークに、人間のように一貫して識別しながら、形状の間を移動したり、大きなものに一般化したり、小さなものに分割したりして、「景色」をスケーリングするように教えられるのでしょうか？
個人的に人の気持ちがわかるのか？
そのため、パターン認識アルゴリズムはバーの本数に 不変でなければならない。これは簡単に解決できます。
これは数学的な手法であって、アルゴリズムではないので、何本もの小節から複雑なパターンを検出することができます。自分でもやってみましたが、4小節以上のパターンを数学的に判断するのは無理でした。
数学的に」というのはどういう意味ですか？OCHL パラメータの値を一連の条件内で比較し、その関係の変種をリストアップする： if(Oren[1] > Close[2] && ...)pattern = HEAD_N_SHOWLDERS.Oren[1] > Close[2] && ...)pattern = HEAD_N_SHOWLDERS;
個人的に人の気持ちがわかるのか？
私が言っているのは数学的な手法のことであって、任意の数の小節から複雑なパターンを決定できるはずのアルゴリズムのことではありません。自分でもやってみたのですが、4小節以上のパターンを数学的に特定することはできませんでした。
数学的に」というのはどういう意味ですか？複合条件内のOCHLパラメータ値を比較し、その関係の変種をリストアップする場合： if(Open[1] > Close[2] && ...)pattern = HEAD_N_SHOWLDERS;