tol64 : 그리고 왜 슬픈가요? )) 반대의 경우도 마찬가지입니다. TS가 발견되고 NS 없이 매우 효과적이라면 기뻐해야 합니다. ))
헛되이 보낸 시간에 대한 아쉬움 - 국회를 다루지 않고 즉시 데이터 분석 및 필터링을 처리하는 것이 가능할 것입니다.
추신: 그러고 싶지는 않았지만 모든 초보자가 NN에서 무엇을 찾고 있는지 보면서 계속 말하겠습니다. 최소한 비유적으로는 " 신경망 "이라는 아름다운 이름이 아니었다면 예를 들어, "기하급수적으로 회귀하는 수학적 피팅", 그런 수학적 장치는 관심과 기대가 덜할 것이고, 좋은 이름 덕분에 사람들은 "스마트 슬라이드 룰"에서 기적을 기대합니다.
아니요, 개인적으로 모릅니다. 그러나 나는 그의 블루 브레인 프로젝트에 대해 잘 알고 있습니다. Markram은 뉴런이 모든 세부 사항(이온 채널, 이온 이동 및 전기 충격 전파를 설명하는 미분 방정식)과 함께 작동하는 방식을 매우 정확하게 모델링하는 경우에만 뇌가 작동하는 원리를 이해하고 복사할 수 있다고 믿습니다. 뉴런의 몸 전체, 지연 등) . 2009년 IBM은 고양이의 두뇌를 시뮬레이션했다고 전 세계에 발표했습니다. Markram은 IBM 연구원들이 포인트 뉴런을 사용하고 있다고 주장하면서 매우 화가 났습니다( http://spectrum.ieee.org/tech-talk/semiconductors/devices/blue-brain-project-leader-angry-about-cat-brain ) 연결, 즉 가장 단순한 수학적 모델(가중 입력과 비선형 활성화 함수의 합이 있는 고전적 네트워크의 뉴런과 같은). 이 분야의 또 다른 흥미로운 과학자는 Penrose입니다. 따라서 그는 이온 교환, 화학 반응 및 뉴런의 몸을 통한 충동의 전파에 대한 모든 세부 사항을 아는 것만으로는 뇌가 어떻게 작동하는지 이해하고 설명하기에 충분하지 않다고 주장합니다. 그는 이것이 뉴런 내의 양자 반응을 고려할 때만 가능하다고 주장합니다(Hameroff-Penrose 이론). https://en.wikipedia.org/wiki/Quantum_mind 여기를 읽으십시오. Penrose는 또한 이러한 양자 반응을 통해 우리의 뇌가 다른 차원으로 "가서" 거기서 지식을 끌어낼 수 있다고 주장합니다. 유튜브에서 그의 강의(Roger Penrose)를 찾아보십시오. 그들은 놀랍도록 흥미 롭습니다.
나는 Markram의 예측에 익숙하지 않습니다. 1990년대까지 신경 과학자들은 뉴런 사이의 정보가 숫자로 설명할 수 있는 다수의 충동 형태로 교환된다고 믿었습니다. 여기서 고전 네트워크가 유래했습니다. 90년대 중반에 과학자들은 개별 충동의 타이밍이 주어진 기간의 횟수보다 더 중요하다는 것을 발견했습니다. Markram과 다른 과학자들은 시냅스의 가중치가 변경되는 새로운 규칙, 즉 STDP를 발견했습니다. 지난 10년 동안 많은 신경 과학자들은 정보가 임펄스(예: 이진 신호 0/1)의 형태로 배포되고 STDP에 따라 가중치가 변경되는 소위 스파이크 네트워크를 구축하기 시작했습니다. 이 신경과학자들은 고전적 네트워크가 로봇의 창조로 이어지지 않은 이유는 정보(충격 대신 숫자), 뉴런(diff 방정식 대신 가중 입력의 합), 가중치(STDP 대신 Hebb의 규칙). 그러나 불행히도 이러한 새로운 스파이크 네트워크는 기능 면에서 아직 기존 네트워크를 능가하지 못했습니다. 또한 훨씬 더 많은 컴퓨터 성능이 필요합니다. 따라서 신경과학에는 큰 진전이 없고 패턴을 밝힐 수 있는 새로운 네트워크를 기대하는 것은 가치가 없습니다.
Last week, IBM announced that they had simulated a brain with the number of neurons and synapses present in a cat's brain. In February 2008, the National Academy of Engineering issued a grand challenge to reverse engineer the human brain, sweetening a pot neuroscientists had already been stirring for a long time. There are as many theories of...
즉, 시장 움직임 동안 가중치의 변화를 설명하는 모델을 생성하면 결과가 다를 수 있지만 그렇게 우울하지는 않습니다. 비슷한 연구를 했습니까?
아니요. 이것으로 가치 있는 일이 생길 것 같지는 않습니다. 여기 내 생각이 있습니다. 범용 비선형 모델링의 또 다른 방법인 네트워크 대신 다항식 회귀를 사용한다고 가정합니다. 따라서 우리의 임무는 다항식을 입력하는 것입니다.
y = a0 + a1*x + a2*x^2 + ...
다항식 모델의 오류를 줄이는 계수 a0, a1, a2,...를 찾아 데이터 y(x)에 추가합니다. 우리는 다항식 모델이 피팅된 데이터에서만 좋다는 것을 알고 있습니다. 본질적으로, 모델 계수 a0, a1, a2, ...(동일한 네트워크 가중치)를 입력 데이터에 의존하도록 제안하여 훈련되지 않은 데이터에 대해 모델을 보다 안정적으로 만들도록 제안합니다. 즉, a1(x ), a2(x), ... 좋습니다. 다른 다항식으로 각 계수를 설명합니다.
a1 = b0 + b1*x + b2*x^2 +...
a2 = c0 + c1*x + c2*x^2 +...
...
첫 번째 모델에서 이 계수를 대체하면 무엇을 얻을 수 있습니까? 동일한 다항식이지만 더 높은 차수의 훈련 데이터를 더 정확하게 설명할 수 있고 새 데이터에서는 잘 작동하지 않습니다. 네트워크도 마찬가지입니다. 하나의 네트워크는 다른 하나를 가르치고, 다른 하나는 세 번째를 가르치는 등의 방식으로 하나의 큰 네트워크에 불과합니다. 우리는 새로운 데이터에 대해 더 정확한 행동을 얻지 못할 것입니다. 그러나 누군가이 아이디어를 테스트하고 싶다면 결과에 대해 알려주십시오.
하지만 이에 대해 반론도 제기했다. 카메라는 망원경이라면 눈의 능력을 여러 번 능가했습니다. ))
모호한 진술, 모든 천문학은 평범한 눈으로 망원경을 열기 전에 해결되었습니다. 이 경우 가장 중요한 것은 이미지의 전송이 아니라 그 해석입니다. 10미터의 눈을 가진 사람들이 동의하지만 그 광경은 오싹합니다 :)
그건 그렇고, 컴퓨터는 두뇌의 모양으로 만들어지지는 않았지만 여러 면에서 인간을 능가했습니다.
...
.... 그리고 멋진 것은 불필요한 정보를 걸러내고 시장의 수학적 모델을 만들어 NS 없이 효과적인 TS를 구축할 수 있다는 것입니다.
모호한 진술, 모든 천문학은 평범한 눈으로 망원경을 열기 전에 해결되었습니다. 이 경우 가장 중요한 것은 이미지의 전송이 아니라 그 해석입니다. 10미터의 눈을 가진 사람들이 동의하지만 그 광경은 오싹합니다 :)
그건 그렇고, 컴퓨터는 두뇌의 모양으로 만들어지지는 않았지만 여러 면에서 인간을 능가했습니다.
그러나 현재 컴퓨터 모델은 이미 이음새에서 삐걱 거리고 있습니다. 더 이상 개발하는 것은 어렵고 심지어 거의 불가능합니다. 따라서 동일한 Kwabena 등은 뇌와 유사한 모델을 구현하려고 시도하고 있습니다.
그리고 이마가 망원경의 10m 눈에 비례하여 확대되면 더 이상 소름 끼치게 보이지 않습니다. 물론 가능하다면 현재의 눈 크기로 망원경을 줄이십시오. )))
헛되이 보낸 시간에 대한 아쉬움 - 국회를 다루지 않고 즉시 데이터 분석 및 필터링을 처리하는 것이 가능할 것입니다.
추신: 그러고 싶지는 않았지만 모든 초보자가 NN에서 무엇을 찾고 있는지 보면서 계속 말하겠습니다. 최소한 비유적으로는 " 신경망 "이라는 아름다운 이름이 아니었다면 예를 들어, "기하급수적으로 회귀하는 수학적 피팅", 그런 수학적 장치는 관심과 기대가 덜할 것이고, 좋은 이름 덕분에 사람들은 "스마트 슬라이드 룰"에서 기적을 기대합니다.
그러나 현재 컴퓨터 모델은 이미 이음새에서 삐걱 거리고 있습니다. 더 이상 개발하는 것은 어렵고 심지어 거의 불가능합니다. 따라서 동일한 Kwabena 등은 뇌와 유사한 모델을 구현하려고 시도하고 있습니다.
그리고 이마가 망원경의 10m 눈에 비례하여 확대되면 더 이상 소름 끼치게 보이지 않습니다. 물론 가능하다면 현재의 눈 크기로 망원경을 줄이십시오. )))
컴퓨터 하드웨어 자체가 300년 전의 방법을 구현했는데 이것이 막다른 골목입니다.
수학은 실제로 병렬 방법을 개발하지 않으며 이것이 문제의 본질입니다.
빌릴 가치가있는 주요 기능은 메소드의 병렬 처리이며 NN은 이러한 점에서 한 단계 발전하지만 자연스러운 NN에 따라 NN의 작업을 복사하는 것은 한 걸음 뒤로 물러납니다.
그런 연구원들을 개인적으로 알고 계시다니 대단합니다. 혹시 헨리 마크람을 아시나요? 2009년 그의 예측은 10년이었습니다. :) 그가 지금 어떤 단계에 있는지 궁금합니다.
Henry Markram은 슈퍼컴퓨터로 두뇌를 만듭니다.
아니요, 개인적으로 모릅니다. 그러나 나는 그의 블루 브레인 프로젝트에 대해 잘 알고 있습니다. Markram은 뉴런이 모든 세부 사항(이온 채널, 이온 이동 및 전기 충격 전파를 설명하는 미분 방정식)과 함께 작동하는 방식을 매우 정확하게 모델링하는 경우에만 뇌가 작동하는 원리를 이해하고 복사할 수 있다고 믿습니다. 뉴런의 몸 전체, 지연 등) . 2009년 IBM은 고양이의 두뇌를 시뮬레이션했다고 전 세계에 발표했습니다. Markram은 IBM 연구원들이 포인트 뉴런을 사용하고 있다고 주장하면서 매우 화가 났습니다( http://spectrum.ieee.org/tech-talk/semiconductors/devices/blue-brain-project-leader-angry-about-cat-brain ) 연결, 즉 가장 단순한 수학적 모델(가중 입력과 비선형 활성화 함수의 합이 있는 고전적 네트워크의 뉴런과 같은). 이 분야의 또 다른 흥미로운 과학자는 Penrose입니다. 따라서 그는 이온 교환, 화학 반응 및 뉴런의 몸을 통한 충동의 전파에 대한 모든 세부 사항을 아는 것만으로는 뇌가 어떻게 작동하는지 이해하고 설명하기에 충분하지 않다고 주장합니다. 그는 이것이 뉴런 내의 양자 반응을 고려할 때만 가능하다고 주장합니다(Hameroff-Penrose 이론). https://en.wikipedia.org/wiki/Quantum_mind 여기를 읽으십시오. Penrose는 또한 이러한 양자 반응을 통해 우리의 뇌가 다른 차원으로 "가서" 거기서 지식을 끌어낼 수 있다고 주장합니다. 유튜브에서 그의 강의(Roger Penrose)를 찾아보십시오. 그들은 놀랍도록 흥미 롭습니다.
나는 Markram의 예측에 익숙하지 않습니다. 1990년대까지 신경 과학자들은 뉴런 사이의 정보가 숫자로 설명할 수 있는 다수의 충동 형태로 교환된다고 믿었습니다. 여기서 고전 네트워크가 유래했습니다. 90년대 중반에 과학자들은 개별 충동의 타이밍이 주어진 기간의 횟수보다 더 중요하다는 것을 발견했습니다. Markram과 다른 과학자들은 시냅스의 가중치가 변경되는 새로운 규칙, 즉 STDP를 발견했습니다. 지난 10년 동안 많은 신경 과학자들은 정보가 임펄스(예: 이진 신호 0/1)의 형태로 배포되고 STDP에 따라 가중치가 변경되는 소위 스파이크 네트워크를 구축하기 시작했습니다. 이 신경과학자들은 고전적 네트워크가 로봇의 창조로 이어지지 않은 이유는 정보(충격 대신 숫자), 뉴런(diff 방정식 대신 가중 입력의 합), 가중치(STDP 대신 Hebb의 규칙). 그러나 불행히도 이러한 새로운 스파이크 네트워크는 기능 면에서 아직 기존 네트워크를 능가하지 못했습니다. 또한 훨씬 더 많은 컴퓨터 성능이 필요합니다. 따라서 신경과학에는 큰 진전이 없고 패턴을 밝힐 수 있는 새로운 네트워크를 기대하는 것은 가치가 없습니다.
즉, 시장 움직임 동안 가중치의 변화를 설명하는 모델을 생성하면 결과가 다를 수 있지만 그렇게 우울하지는 않습니다. 비슷한 연구를 했습니까?
여가 시간에 바쁘세요.
이를 위해서는 시장 변화에 따라 첫 번째 그리드의 가중치 변화 패턴을 찾는 두 번째 그리드가 필요합니다. 그런 다음 첫 번째 그리드와 시장이 변경될 때 두 번째 그리드에 대한 종속성을 찾는 세 번째 그리드가 필요합니다. 그럼 네번째...
시장이 움직일 때 가중치가 어떻게 변하는지 설명하는 모델을 생성했다고 가정합니다. 그녀와 함께 다음에 무엇을해야합니까?
여가 시간에 바쁘세요.
이를 위해서는 시장 변화에 따라 첫 번째 그리드의 가중치 변화 패턴을 찾는 두 번째 그리드가 필요합니다. 그런 다음 첫 번째 그리드와 시장이 변경될 때 두 번째 그리드에 대한 종속성을 찾는 세 번째 그리드가 필요합니다. 그럼 네번째...
그리고 3년 동안 나는 첫 번째 네트워크 이후에 두 번째 네트워크가 필요할 것이라는 것을 모른 채 시장에서 돈을 가져갔습니다.
일반적으로 분석적인 마인드를 가진 나에게 이런 가지를 읽는 것은 위험하다.
그리고 3년 동안 나는 첫 번째 네트워크 이후에 두 번째 네트워크가 필요할 것이라는 것을 모른 채 시장에서 돈을 가져갔습니다.
즉, 시장 움직임 동안 가중치의 변화를 설명하는 모델을 생성하면 결과가 다를 수 있지만 그렇게 우울하지는 않습니다. 비슷한 연구를 했습니까?
아니요. 이것으로 가치 있는 일이 생길 것 같지는 않습니다. 여기 내 생각이 있습니다. 범용 비선형 모델링의 또 다른 방법인 네트워크 대신 다항식 회귀를 사용한다고 가정합니다. 따라서 우리의 임무는 다항식을 입력하는 것입니다.
y = a0 + a1*x + a2*x^2 + ...
다항식 모델의 오류를 줄이는 계수 a0, a1, a2,...를 찾아 데이터 y(x)에 추가합니다. 우리는 다항식 모델이 피팅된 데이터에서만 좋다는 것을 알고 있습니다. 본질적으로, 모델 계수 a0, a1, a2, ...(동일한 네트워크 가중치)를 입력 데이터에 의존하도록 제안하여 훈련되지 않은 데이터에 대해 모델을 보다 안정적으로 만들도록 제안합니다. 즉, a1(x ), a2(x), ... 좋습니다. 다른 다항식으로 각 계수를 설명합니다.
a1 = b0 + b1*x + b2*x^2 +...
a2 = c0 + c1*x + c2*x^2 +...
...
첫 번째 모델에서 이 계수를 대체하면 무엇을 얻을 수 있습니까? 동일한 다항식이지만 더 높은 차수의 훈련 데이터를 더 정확하게 설명할 수 있고 새 데이터에서는 잘 작동하지 않습니다. 네트워크도 마찬가지입니다. 하나의 네트워크는 다른 하나를 가르치고, 다른 하나는 세 번째를 가르치는 등의 방식으로 하나의 큰 네트워크에 불과합니다. 우리는 새로운 데이터에 대해 더 정확한 행동을 얻지 못할 것입니다. 그러나 누군가이 아이디어를 테스트하고 싶다면 결과에 대해 알려주십시오.