Dmitriy Gizlyk / プロファイル
- 情報
10+ 年
経験
|
0
製品
|
0
デモバージョン
|
134
ジョブ
|
0
シグナル
|
0
購読者
|
![ニューラルネットワークが簡単に(第29部):Advantage Actor-Criticアルゴリズム](https://c.mql5.com/2/48/Neural_networks_made_easy_022__1.png)
本連載のこれまでの記事で、2つの強化学習アルゴリズムを見てきました。それぞれに長所と短所があります。このような場合ではよくあることですが、次に、2つの方法の良いところを組み合わせてアルゴリズムにすることが考え出されます。そうすれば、それぞれの欠点が補われることになります。今回は、そのような手法の1つを紹介します。
![Darius Sadauskas Darius Sadauskas](https://c.mql5.com/avatar/avatar_na2_micro.png)
![xuebutayan xuebutayan](https://c.mql5.com/avatar/avatar_na2_micro.png)
![ニューラルネットワークが簡単に(第28部):方策勾配アルゴリズム](https://c.mql5.com/2/48/Neural_networks_made_easy_021__1.png)
強化学習法の研究を続けます。前回は、Deep Q-Learning手法に触れました。この手法では、特定の状況下でとった行動に応じて、これから得られる報酬を予測するようにモデルを訓練します。そして、方策と期待される報酬に応じた行動がとられます。ただし、Q関数を近似的に求めることは必ずしも可能ではありません。その近似が望ましい結果を生み出さないこともあります。このような場合、効用関数ではなく、行動の直接的な方針(戦略)に対して、近似的な手法が適用されます。その1つが方策勾配です。
![ニューラルネットワークが簡単に(第27部):DQN (Deep Q-Learning)](https://c.mql5.com/2/48/Neural_networks_made_easy.png)
強化学習の研究を続けます。今回は、「Deep Q-Learning」という手法に触れてみましょう。この手法を用いることで、DeepMindチームはアタリ社のコンピューターゲームのプレイで人間を凌駕するモデルを作成することができました。取引上の問題を解決するための技術の可能性を評価するのに役立つと思います。
![ニューラルネットワークが簡単に(第26部):強化学習](https://c.mql5.com/2/48/Networks_easy_26.png)
機械学習の手法の研究を続けます。今回からは、もう1つの大きなテーマである「強化学習」を始めます。この方法では、モデルは問題を解決するためのある種の戦略を設定することができます。この強化学習の特性は、取引戦略を構築する上で新たな地平を切り開くものと期待されます。
![ニューラルネットワークが簡単に(第25部):転移学習の実践](https://c.mql5.com/2/48/Neural_networks_made_easy_025.png)
前々回、前回と、ニューラルネットワークのモデルを作成・編集するためのツールを開発しました。いよいよ転移学習技術の利用可能性を実例で評価することになります。
![ニューラルネットワークが簡単に(第24部):転移学習用ツールの改善](https://c.mql5.com/2/48/Neural_networks_made_easy_024.png)
前回の記事では、ニューラルネットワークのアーキテクチャを作成および編集するためのツールを作成しました。今日はこのツールでの作業を続けて、より使いやすくします。これは、私たちのトピックから一歩離れていると思われるかもしれませんが、うまく整理されたワークスペースは、結果を達成する上で重要な役割を果たすと思われないでしょうか。
![ニューラルネットワークが簡単に(第23部):転移学習用ツールの構築](https://c.mql5.com/2/48/Neural_networks_made_easy_023.png)
転移学習については当連載ですでに何度も言及していますが、これはただの言及でした。この記事では、このギャップを埋めて、転移学習の詳しい調査を提案します。
![ニューラルネットワークが簡単に(第22部):回帰モデルの教師なし学習](https://c.mql5.com/2/48/Neural_networks_made_easy_022.png)
モデルと教師なし学習アルゴリズムの研究を続けます。今回は、回帰モデルの学習に適用した場合のオートエンコーダの特徴について提案します。
![ニューラルネットワークが簡単に(第21部):変分オートエンコーダ(Variational autoencoder、VAE)](https://c.mql5.com/2/48/Neural_networks_made_easy_021.png)
前回の記事で、オートエンコーダアルゴリズムについて学びました。他のアルゴリズム同様、このアルゴリズムには長所と短所があります。元の実装では、オートエンコーダは、訓練標本からオブジェクトを可能な限り分離するために使用されます。今回はその短所への対処法についてお話します。
![ニューラルネットワークが簡単に(第20部):オートエンコーダ](https://c.mql5.com/2/48/Neural_networks_made_easy_020.png)
教師なし学習アルゴリズムの研究を続けます。読者の中には、最近の記事とニューラルネットワークの話題の関連性について疑問を持つ人もいるかもしれません。この新しい記事では、ニューラルネットワークの研究に戻ります。
![ニューラルネットワークが簡単に(第19部):MQL5を使用したアソシエーションルール](https://c.mql5.com/2/48/Neural_networks_made_easy_019.png)
アソシエーションルールの検討を続けます。前回の記事では、このタイプの問題の理論的側面について説明しました。この記事では、MQL5を使用したFPGrowthメソッドの実装を紹介します。また、実装したソリューションを実際のデータを使用してテストします。
![ニューラルネットワークが簡単に(第18部):アソシエーションルール](https://c.mql5.com/2/48/Neural_networks_made_easy_018.png)
この連載の続きとして、教師なし学習の手法の中で、もう1つのタイプの問題であるアソシエーションルールのマイニングについて考えてみましょう。この問題タイプは、小売業、特にスーパーマーケットで、市場の分類を分析するために最初に使用されました。今回は、このようなアルゴリズムの取引への応用についてお話します。
![ニューラルネットワークが簡単に(第17部):次元削減](https://c.mql5.com/2/48/Neural_networks_made_easy_017.png)
今回は、人工知能モデルについて引き続き説明します。具体的には、教師なし学習アルゴリズムについて学びます。クラスタリングアルゴリズムの1つについては既に説明しました。今回は、次元削減に関連する問題を解決する方法のバリエーションを紹介します。
![ニューラルネットワークが簡単に(第16部):クラスタリングの実用化](https://c.mql5.com/2/48/Neural_networks_made_easy_016.png)
前回は、データのクラスタリングをおこなうためのクラスを作成しました。今回は、得られた結果を実際の取引に応用するためのバリエーションを紹介したいと思います。
![ニューラルネットワークが簡単に(第15部):MQL5によるデータクラスタリング](https://c.mql5.com/2/48/Neural_networks_made_easy_015.png)
クラスタリング法について引き続き検討します。今回は、最も一般的なk-meansクラスタリング手法の1つを実装するために、新しいCKmeansクラスを作成します。テスト中には約500のパターンを識別することができました。
![ニューラルネットワークが簡単に(第14部):データクラスタリング](https://c.mql5.com/2/48/Neural_networks_made_easy_014.png)
前回の記事を公開してから1年以上が経過しました。アイデアを修正して新しいアプローチを開発するには、これはかなりの時間です。この新しい記事では、以前に使用された教師あり学習法から逸れようと思います。今回は、教師なし学習アルゴリズムについて説明します。特に、クラスタリングアルゴリズムの1つであるk-meansについて検討していきます。
![ニューラルネットワークが簡単に(第13回): Batch Normalization](https://c.mql5.com/2/48/Neural_networks_made_easy_013.png)
前回の記事では、ニューラルネットワーク訓練の品質を向上させることを目的とした手法の説明を開始しました。本稿では、このトピックを継続し、別のアプローチであるデータのBatch Normalizationについて説明します。
![dma19 dma19](https://c.mql5.com/avatar/avatar_na2_micro.png)
![ニューラルネットワークが簡単に(第12回): ドロップアウト](https://c.mql5.com/2/48/Neural_networks_made_easy_012.png)
ニューラルネットワークを研究する次のステップとして、ニューラルネットワークの訓練中に収束を高める手法を検討することをお勧めします。そのような手法はいくつかありますが、本稿では、それらの1つである「ドロップアウト」について考察します。
![ニューラルネットワークが簡単に(第11部): GPTについて](https://c.mql5.com/2/48/Neural_networks_made_easy_011.png)
GPT-3は現在存在する言語ニューラルネットワークの中でおそらく最も高度なモデルの1つであり、その最大バリアントには1,750億個のパラメータが含まれています。もちろん、家庭にあるようなPCでそのような怪物を作成するつもりはありませんが、どのアーキテクチャソリューションを作業に使用し、それらからどのように利益を得ることができるかは確認することができます。