Y 자, 이제 명확해졌습니다. 즉, 먼저 교사 없이 네트워크를 훈련합니다. 다음으로 분류기의 가중치를 기록하고 분류기는 이미 교사와 함께 추가로 훈련됩니다. 매우 흥미롭지만 명확하지 않습니다. 신경 전도 미세 조정의 가중치를 얻었다고 가정해 봅시다. 가중치가 계속 최적화되고 있나요???? 즉, 비지도 사전 훈련을 수행한 후 분류기의 초기 가중치를 설정하여 전역 최소값으로 만듭니다. 그래서 무엇?
훈련할 때 나는 모델이 훈련을 위해 노력하지만 결코 도달하지 않는 일종의 기초로 목표를 사용합니다. 그리고 모델을 평가하기 위해 예측의 정확도를 사용하지 않고 그러한 예측에 따라 무역수지 그래프를 작성하고 이 그래프를 예를 들어 급격한 비율이나 회복 계수 등을 통해 평가합니다. "다음 막대의 색상" 대상과 잘 작동합니다. 더 복잡하게 이동하여 유전학으로 이 목표를 편집하여 작은 움직임에 대한 거래를 트위치하지 않고 그냥 가만히 놔둘 수 있습니다. 게다가 다음 캔들의 크기가 스프레드보다 작으면 트위치도 할 수 없습니다. 일반적으로 가장 큰 이익을 얻으려면 각 막대에 대한 유전적 결정(구매/판매)을 선택하십시오.
특정 지표와 기타 입력을 받고 모델을 훈련하고 동일한 훈련 데이터에 대해 예측을 합니다. 예측에 따라 균형 그래프를 만들고 평가합니다. 그런 다음 더 나은 추정치를 가진 대차 대조표를 얻기 위해 매우 오랫동안 모델의 매개 변수와 지표의 매개 변수 및 그 조합을 선택합니다. 결과적으로 예측 정확도는 60% 이하이지만 모델은 추세에 빠지며 각 막대의 트랜잭션을 처리하지 않습니다. 이것은 빙산의 일각에 불과하며 입력의 유용성을 평가하고 모델이 잘못된 입력에 가중치를 덜 주는지 확인하는 것과 같이 수중에는 여전히 많은 비밀 세부 사항이 있습니다. R에 있는 수백 가지 중에서 적합한 모델을 선택합니다. 교차 검증; 모델이 훈련된 히스토리의 길이 선택; 그리고 톤 더.
이 모든 것이 상당히 큰 기간에만 작동합니다. 처음에는 D1에서만 작동하다가 점차 H1으로 전환할 수 있었습니다. 모든 더 작은 기간은 이미 나에게 예측할 수 없는 소음입니다.
그리고 모델을 평가하기 위해 예측의 정확도를 사용하지 않고 그러한 예측에 따라 무역수지 그래프를 작성하고 이 그래프를 예를 들어 급격한 비율이나 회복 계수 등을 통해 평가합니다.
이것은 내가 항상했던 것과 정확히 일치합니다. 예측은 항상 좋지 않지만 거래 자체는 항상 그런 것은 아닙니다.... 일반적으로 이상적인 목표는 값이 "00110"인 벡터가 아니라 전역 최소값을 찾는 것입니다. 예를 들어, 우리는 복구 계수가 4 아래로 떨어지지 않도록 그리드에 거래 작업을 제공하고 그녀가 솔루션을 찾을 때까지 가중치를 선택하도록 합니다. 어떻게 할 것인지는 우리에게 무관심합니다. 이 방법은 일반적인 벡터 타겟에 내재된 모든 단점을 없애고 많은 장점을 가지고 있으며 이 방법은 벡터 타겟 거래와 관련하여 절대적으로 객관적입니다 절대적으로 주관적인 것(사람마다 다르게 봅니다)
R에서는 그러한 목표를 구현하는 것이 현실적이지 않습니다. 이런 의미에서 너무 "팝적"이며 모든 것이 "레일"에 있고 모든 것이 템플릿에 따르며 이는 동시에 좋고 나쁨입니다. 따라서 네트워크를 직접 작성해야 합니다. 방법을 모릅니다. 방법을 아는 사람이 있으면 큰 관심을 갖고 코드를 연구하고 R에서 수행하면 동화입니다 ...
특정 지표와 기타 입력을 받고 모델을 훈련하고 동일한 훈련 데이터에 대해 예측을 합니다. 예측에 따라 균형 그래프를 만들고 평가합니다. 그런 다음 더 나은 추정치를 가진 대차 대조표를 얻기 위해 매우 오랫동안 모델의 매개 변수와 지표의 매개 변수 및 그 조합을 선택합니다. 결과적으로 예측 정확도는 60% 이하이지만 모델은 추세에 빠지며 각 막대의 트랜잭션을 처리하지 않습니다.
네트워크 거래를 어떻게 크게 개선할 수 있는지 알려드릴 수 있습니다(관심이 있는 경우). 일종의 비판적 사고를 하면 거의 항상 그렇지 않은 경우보다 더 나은 결과를 얻을 수 있습니다.
R에서는 그러한 목표를 구현하는 것이 현실적이지 않습니다. 이런 의미에서 너무 "팝적"이며 모든 것이 "레일"에 있고 모든 것이 템플릿에 따르며 이는 동시에 좋고 나쁨입니다. 따라서 네트워크를 직접 작성해야 합니다. 방법을 모릅니다. 방법을 아는 사람이 있으면 큰 관심을 갖고 코드를 연구하고 R에서 수행하면 동화입니다 ...
당신은 생각을 잘못 공식화합니다. "나는 언어를 충분히 알지 못하고 내가 원하는 것을 하는 방법을 모릅니다."라고 간단히 쓰십시오. 깊이 알지 못하는 것을 평가할 필요는 없습니다. R 언어를 사용하면 지식이 충분하다면 아이디어를 구현할 수 있습니다. R에 없는 것이 있으면 Python 개발을 사용하십시오.
물론 엄밀히 말해서 모든 모델의 감독 교육은 "교육"이 아닙니다. 딥 러닝이 이에 가깝지만 가장 유망한 것은 순수 비지도 학습이며 그 구현은 강화 학습 입니다. 지금까지 R에는 이 방법을 구현할 수 있는 패키지가 하나뿐입니다. 바로 RNeat입니다. 그러나 이 수준은 이전의 모든 것을 완벽하게 이해해야만 도달할 수 있습니다. 이 영역은 Python으로 잘 개발되었습니다. 그리고 그것은 R에 완벽하게 통합됩니다.
그러나 딥 러닝의 요점이 무엇인지 명확히 하십시오. 첫 번째 단계에서 뉴런의 가중치를 얻었을 때. 우리는 이 가중치를 분류기의 은닉층에 씁니다. 그리고 우리는 출력 변수에 대해 분류기를 훈련하기 시작합니다. 가중치 값을 하드코딩하면 무엇이 최적화됩니다. 미세 조정은 어떻게 생겼나요???? 설명해주실 수 있나요????
당신은 생각을 잘못 공식화합니다. 더 간단하게 쓰십시오: "나는 언어를 충분히 알지 못하고 내가 원하는 것을 하는 방법을 모릅니다." 깊이 알지 못하는 것을 평가할 필요는 없습니다. R 언어를 사용하면 지식이 충분하다면 아이디어를 실현할 수 있습니다. R에 없는 것이 있으면 Python 개발을 사용하십시오.
물론 엄밀히 말해서 모든 모델의 감독 교육은 "교육"이 아닙니다. 딥 러닝이 접근하지만 가장 유망한 것은 순수 비지도 학습(pure unsupervised learning)이며 그 구현은 강화 학습입니다. 지금까지 R에는 이 방법을 구현할 수 있는 패키지가 하나뿐입니다. 바로 RNeat입니다. 그러나 이 수준은 이전의 모든 것을 완벽하게 이해해야만 도달할 수 있습니다. 이 영역은 Python으로 잘 개발되었습니다. 그리고 그것은 R에 완벽하게 통합됩니다.
행운을 빕니다
그럼에도 불구하고 내가 올바르게 이해한다면 R 수단을 사용하여 그러한 목표를 구현하는 방법에 대한 질문에 대한 답이 없습니다.
마이클 마르쿠카이테스 : Y 자, 이제 명확해졌습니다. 즉, 먼저 교사 없이 네트워크를 훈련합니다. 다음으로 분류기의 가중치를 기록하고 분류기는 이미 교사와 함께 추가로 훈련됩니다. 매우 흥미롭지만 명확하지 않습니다. 신경전도 미세 조정의 가중치가 있다고 가정하고 가중치가 계속 최적화되고 있나요???? 즉, 비지도 사전 훈련을 수행한 후 분류기의 초기 가중치를 설정하여 전역 최소값으로 만듭니다. 그래서 무엇?
빠르게 잡고 정확하지 않습니다. R에는 심층 신경망 을 구현하는 두 가지 패키지(deepnet 및 darch v.0.12)가 있습니다. 첫 번째 것은 많은 설정과 기능 없이 완전히 단순화되었지만 시도하고 평가할 수 있는 기회를 제공합니다. 두 번째는 신경망을 설계하고 구성할 수 있는 가장 광범위한 가능성으로, 준비가 되지 않은 사용자가 사용하기는 매우 어렵습니다. 그러나 올바른 딥 러닝 기능이 있습니다.
1. 레이블이 지정되지 않은 입력 데이터의 가능한 최대량에 대한 자동 연관 네트워크(SAE/SRBM)의 사전 훈련.
2. 신경망의 은닉층에 가중치를 전송하고 레이블이 지정된 데이터에 대해 상위 계층만 훈련합니다. 패키지를 사용하면 훈련할 특정 레이어를 지정할 수 있습니다.
3. 적은 수의 에포크(2-3)로 전체 네트워크를 미세 조정하고 소량의 레이블이 지정된 데이터에 대한 낮은 수준의 교육. 여기에서 피크 주변에 예제를 적용해야 합니다.
마이클 마르쿠카이테스 : 그러나 이것이 딥 러닝의 핵심이라는 점을 분명히 하십시오. 첫 번째 단계에서 뉴런의 가중치를 얻었을 때. 우리는 이 가중치를 분류기의 은닉층에 씁니다. 그리고 우리는 출력 변수에 대해 분류기를 훈련하기 시작합니다. 가중치 값을 하드코딩하면 무엇이 최적화됩니다. 미세 조정은 어떻게 생겼나요???? 설명해주실 수 있나요????
=======================================
나는 점점 더 나 자신에게 다음과 같은 질문을 던집니다. "내가 능력 있는 한도 내에서 그 주제에 대한 기본 개념을 씹으려고 하는 기사를 왜 내가 먹고 있는 거지?"
"딥 러닝"이라는 주제에 대한 내 기사를 읽었습니까? 거기에서 나는 내가 생각하는 것처럼 모든 것을 자세히 설명했습니다. 기록된 내용을 반복할 시간이 없습니다. 거기에 반영되지 않은 질문이 있으면 대답할 준비가 되어 있습니다.
마이클 마르쿠카이테스 :
J 딥 러닝에 대해. 이제 많은 사람들이 그것에 대해 이야기합니다. 더 많이 알고 싶습니다. 그리고 또 다른 질문. 누가 MT4에서 교사 없이 Recurrent Network를 구현했습니까?
=======================================
여기 , 여기 를 읽으십시오
두 번째 질문에 대해서는 저도 무슨 말을 해야 할지 모르겠습니다.
행운을 빕니다
훈련할 때 나는 모델이 훈련을 위해 노력하지만 결코 도달하지 않는 일종의 기초로 목표를 사용합니다. 그리고 모델을 평가하기 위해 예측의 정확도를 사용하지 않고 그러한 예측에 따라 무역수지 그래프를 작성하고 이 그래프를 예를 들어 급격한 비율이나 회복 계수 등을 통해 평가합니다. "다음 막대의 색상" 대상과 잘 작동합니다. 더 복잡하게 이동하여 유전학으로 이 목표를 편집하여 작은 움직임에 대한 거래를 트위치하지 않고 그냥 가만히 놔둘 수 있습니다. 게다가 다음 캔들의 크기가 스프레드보다 작으면 트위치도 할 수 없습니다. 일반적으로 가장 큰 이익을 얻으려면 각 막대에 대한 유전적 결정(구매/판매)을 선택하십시오.
특정 지표와 기타 입력을 받고 모델을 훈련하고 동일한 훈련 데이터에 대해 예측을 합니다. 예측에 따라 균형 그래프를 만들고 평가합니다. 그런 다음 더 나은 추정치를 가진 대차 대조표를 얻기 위해 매우 오랫동안 모델의 매개 변수와 지표의 매개 변수 및 그 조합을 선택합니다. 결과적으로 예측 정확도는 60% 이하이지만 모델은 추세에 빠지며 각 막대의 트랜잭션을 처리하지 않습니다.
이것은 빙산의 일각에 불과하며 입력의 유용성을 평가하고 모델이 잘못된 입력에 가중치를 덜 주는지 확인하는 것과 같이 수중에는 여전히 많은 비밀 세부 사항이 있습니다. R에 있는 수백 가지 중에서 적합한 모델을 선택합니다. 교차 검증; 모델이 훈련된 히스토리의 길이 선택; 그리고 톤 더.
이 모든 것이 상당히 큰 기간에만 작동합니다. 처음에는 D1에서만 작동하다가 점차 H1으로 전환할 수 있었습니다. 모든 더 작은 기간은 이미 나에게 예측할 수 없는 소음입니다.
시도 하려면 https://www.accern.com/ 을 권장합니다. 사용하고 있으며 매우 만족합니다.
멋져 보이지만 비싸다.
나는 무료로 연습하고 지연 없이 실시간으로 어떻게 작동하는지 확인하고 싶습니다. 그리고 엄청난 지연이 있는 데모가 있습니다.
이러한 신호가 거래 및 ML에서 어떻게 사용되는지 간단히 설명할 수 있습니까? 비밀이 아니라면 중요한 뉴스가 나왔을 때 거래할 시간이 있습니까? 아니면 아직 1초 30초 후에 누군가가 시장에 나서 크림을 훑어보기 시작합니까?
그리고 모델을 평가하기 위해 예측의 정확도를 사용하지 않고 그러한 예측에 따라 무역수지 그래프를 작성하고 이 그래프를 예를 들어 급격한 비율이나 회복 계수 등을 통해 평가합니다.
이것은 내가 항상했던 것과 정확히 일치합니다. 예측은 항상 좋지 않지만 거래 자체는 항상 그런 것은 아닙니다.... 일반적으로 이상적인 목표는 값이 "00110"인 벡터가 아니라 전역 최소값을 찾는 것입니다. 예를 들어, 우리는 복구 계수가 4 아래로 떨어지지 않도록 그리드에 거래 작업을 제공하고 그녀가 솔루션을 찾을 때까지 가중치를 선택하도록 합니다. 어떻게 할 것인지는 우리에게 무관심합니다. 이 방법은 일반적인 벡터 타겟에 내재된 모든 단점을 없애고 많은 장점을 가지고 있으며 이 방법은 벡터 타겟 거래와 관련하여 절대적으로 객관적입니다 절대적으로 주관적인 것(사람마다 다르게 봅니다)
R에서는 그러한 목표를 구현하는 것이 현실적이지 않습니다. 이런 의미에서 너무 "팝적"이며 모든 것이 "레일"에 있고 모든 것이 템플릿에 따르며 이는 동시에 좋고 나쁨입니다. 따라서 네트워크를 직접 작성해야 합니다. 방법을 모릅니다. 방법을 아는 사람이 있으면 큰 관심을 갖고 코드를 연구하고 R에서 수행하면 동화입니다 ...
특정 지표와 기타 입력을 받고 모델을 훈련하고 동일한 훈련 데이터에 대해 예측을 합니다. 예측에 따라 균형 그래프를 만들고 평가합니다. 그런 다음 더 나은 추정치를 가진 대차 대조표를 얻기 위해 매우 오랫동안 모델의 매개 변수와 지표의 매개 변수 및 그 조합을 선택합니다. 결과적으로 예측 정확도는 60% 이하이지만 모델은 추세에 빠지며 각 막대의 트랜잭션을 처리하지 않습니다.
네트워크 거래를 어떻게 크게 개선할 수 있는지 알려드릴 수 있습니다(관심이 있는 경우). 일종의 비판적 사고를 하면 거의 항상 그렇지 않은 경우보다 더 나은 결과를 얻을 수 있습니다.
mytarmailS :
R에서는 그러한 목표를 구현하는 것이 현실적이지 않습니다. 이런 의미에서 너무 "팝적"이며 모든 것이 "레일"에 있고 모든 것이 템플릿에 따르며 이는 동시에 좋고 나쁨입니다. 따라서 네트워크를 직접 작성해야 합니다. 방법을 모릅니다. 방법을 아는 사람이 있으면 큰 관심을 갖고 코드를 연구하고 R에서 수행하면 동화입니다 ...
당신은 생각을 잘못 공식화합니다. "나는 언어를 충분히 알지 못하고 내가 원하는 것을 하는 방법을 모릅니다."라고 간단히 쓰십시오. 깊이 알지 못하는 것을 평가할 필요는 없습니다. R 언어를 사용하면 지식이 충분하다면 아이디어를 구현할 수 있습니다. R에 없는 것이 있으면 Python 개발을 사용하십시오.
물론 엄밀히 말해서 모든 모델의 감독 교육은 "교육"이 아닙니다. 딥 러닝이 이에 가깝지만 가장 유망한 것은 순수 비지도 학습이며 그 구현은 강화 학습 입니다. 지금까지 R에는 이 방법을 구현할 수 있는 패키지가 하나뿐입니다. 바로 RNeat입니다. 그러나 이 수준은 이전의 모든 것을 완벽하게 이해해야만 도달할 수 있습니다. 이 영역은 Python으로 잘 개발되었습니다. 그리고 그것은 R에 완벽하게 통합됩니다.
행운을 빕니다
당신은 생각을 잘못 공식화합니다. 더 간단하게 쓰십시오: "나는 언어를 충분히 알지 못하고 내가 원하는 것을 하는 방법을 모릅니다." 깊이 알지 못하는 것을 평가할 필요는 없습니다. R 언어를 사용하면 지식이 충분하다면 아이디어를 실현할 수 있습니다. R에 없는 것이 있으면 Python 개발을 사용하십시오.
물론 엄밀히 말해서 모든 모델의 감독 교육은 "교육"이 아닙니다. 딥 러닝이 접근하지만 가장 유망한 것은 순수 비지도 학습(pure unsupervised learning)이며 그 구현은 강화 학습입니다. 지금까지 R에는 이 방법을 구현할 수 있는 패키지가 하나뿐입니다. 바로 RNeat입니다. 그러나 이 수준은 이전의 모든 것을 완벽하게 이해해야만 도달할 수 있습니다. 이 영역은 Python으로 잘 개발되었습니다. 그리고 그것은 R에 완벽하게 통합됩니다.
행운을 빕니다
Y 자, 이제 명확해졌습니다. 즉, 먼저 교사 없이 네트워크를 훈련합니다. 다음으로 분류기의 가중치를 기록하고 분류기는 이미 교사와 함께 추가로 훈련됩니다. 매우 흥미롭지만 명확하지 않습니다. 신경전도 미세 조정의 가중치가 있다고 가정하고 가중치가 계속 최적화되고 있나요???? 즉, 비지도 사전 훈련을 수행한 후 분류기의 초기 가중치를 설정하여 전역 최소값으로 만듭니다. 그래서 무엇?
빠르게 잡고 정확하지 않습니다. R에는 심층 신경망 을 구현하는 두 가지 패키지(deepnet 및 darch v.0.12)가 있습니다. 첫 번째 것은 많은 설정과 기능 없이 완전히 단순화되었지만 시도하고 평가할 수 있는 기회를 제공합니다. 두 번째는 신경망을 설계하고 구성할 수 있는 가장 광범위한 가능성으로, 준비가 되지 않은 사용자가 사용하기는 매우 어렵습니다. 그러나 올바른 딥 러닝 기능이 있습니다.
1. 레이블이 지정되지 않은 입력 데이터의 가능한 최대량에 대한 자동 연관 네트워크(SAE/SRBM)의 사전 훈련.
2. 신경망의 은닉층에 가중치를 전송하고 레이블이 지정된 데이터에 대해 상위 계층만 훈련합니다. 패키지를 사용하면 훈련할 특정 레이어를 지정할 수 있습니다.
3. 적은 수의 에포크(2-3)로 전체 네트워크를 미세 조정하고 소량의 레이블이 지정된 데이터에 대한 낮은 수준의 교육. 여기에서 피크 주변에 예제를 적용해야 합니다.
이 패키지의 구현을 위한 매우 중요한 가능성은 신경망의 추가 훈련 가능성입니다.
물론 사전 훈련 없이 네트워크를 훈련시키는 것도 가능합니다.
네트워크는 매우 빠르지만 경험과 지식이 필요합니다.
행운을 빕니다
마이클 마르쿠카이테스 :
그러나 이것이 딥 러닝의 핵심이라는 점을 분명히 하십시오. 첫 번째 단계에서 뉴런의 가중치를 얻었을 때. 우리는 이 가중치를 분류기의 은닉층에 씁니다. 그리고 우리는 출력 변수에 대해 분류기를 훈련하기 시작합니다. 가중치 값을 하드코딩하면 무엇이 최적화됩니다. 미세 조정은 어떻게 생겼나요???? 설명해주실 수 있나요????
=======================================
나는 점점 더 나 자신에게 다음과 같은 질문을 던집니다. "내가 능력 있는 한도 내에서 그 주제에 대한 기본 개념을 씹으려고 하는 기사를 왜 내가 먹고 있는 거지?"
"딥 러닝"이라는 주제에 대한 내 기사를 읽었습니까? 거기에서 나는 내가 생각하는 것처럼 모든 것을 자세히 설명했습니다. 기록된 내용을 반복할 시간이 없습니다. 거기에 반영되지 않은 질문이 있으면 대답할 준비가 되어 있습니다.
행운을 빕니다