네트워크는 다양한 데이터(입력-출력)에 대해 최적화(맞춤화)될 수 있는 일종의 범용 비선형 기능인 도구입니다. 이 함수는 규칙성을 구별할 수 없습니다.
그리고 있습니다 :)
NN은 입출력 데이터에 대해 훈련되며 패턴이 일반 인구에 보편적인 경우 NN은 샘플에서 성공적으로 작동합니다.
그리고 패턴 선택은 훈련된 가중치 및 NN의 전달 함수 분석에 대한 추가 작업입니다. 저는 개인적으로 이것을 한 적이 없습니다.
인간의 두뇌는 비선형 패턴을 학습하는 데 매우 성공적입니다. 예를 들어, 아프리카 어딘가에 있는 부시맨 부족이 발사한 부메랑의 궤적을 계산해보자. 모든 자연이 우리에게 주었습니다. 시장에서 의도적으로 비선형 패턴을 배울 수 있습니다. 저는 개인적으로 다음과 같은 종류의 VBA 튜토리얼을 작성하고 싶습니다. 차트에 일련의 짧은 따옴표가 표시됩니다(예: 100-150 막대). 향후 가격의 일반적인 방향을 추측해야 합니다. 50바. 위/아래 버튼을 누르면 프로그램이 내 대답과 내가 올바르게 추측했는지 여부를 기록합니다. 그 후 그래프는 시간 축 등을 따라 무작위로 이동합니다. 결과적으로, 나는 배우거나(추측한 방향의 비율이 증가할 것임) 배우지 않거나(예: 죄송합니다. 제대로 되지 않았습니다). 두뇌 학습의 좋은 예가 될 것입니다.
네트워크는 다양한 데이터(입력-출력)에 대해 최적화(맞춤화)될 수 있는 일종의 범용 비선형 기능인 도구입니다. 이 함수는 규칙성을 구별할 수 없습니다. 같은 성공으로 부드러운 곡선에 맞는 다항식이 숨겨진 패턴을 찾는다고 주장할 수 있습니다. 이 함수가 적용된 데이터 범위에서 벗어나면 다항식 회귀의 예에서 어떤 일이 발생하는지 스스로 알 수 있습니다. 그건 그렇고, 네트워크에는 올바른 결정에 영향을 미치지 않고 최적화 중에 가중치가 감소하는 연결이 포함되어 있기 때문에 네트워크에서 최적화된 매개변수의 수는 의사결정 트리보다 훨씬 많습니다.
Google의 엔지니어는 YouTube 동영상의 자가 학습 네트워크(어떤 유형인지는 모르겠습니다) 스크린샷을 제공했으며 네트워크는 고양이를 별도의 클래스로 구별하는 방법을 배웠습니다. RAM에서 회전하는 정보의 양을 추정할 수 있습니다. 이론적으로 그리드에 그래프를 공급하는 것은 가능하지만 거대하고 복잡한 네트워크와 적절한 컴퓨터여야 합니다. 범위에서 정규화된 가격 패턴을 제출하는 것이 더 쉽습니다(예: [0;1]). 그리고 고정성이 존중되고 구현하기 쉽습니다. 원칙적으로 트레이더는 가격 패턴을 보지만 깨끗한 차트(지표 없이)에 따라 거래하는 트레이더가 있습니다. 그러나 분명히 네트워크는 지속적으로 재교육되어야 합니다. 우리의 뇌는 연결을 지속적으로 업데이트하고 프로세스에 대한 이해를 향상시키기 때문입니다.
alexeymosc : Google의 엔지니어는 YouTube 동영상의 스크린샷을 자가 학습 네트워크(어떤 유형인지는 모르겠습니다)에 제출했으며 네트워크는 고양이를 별도의 클래스로 구분하는 방법을 배웠습니다. RAM에서 회전하는 정보의 양을 추정할 수 있습니다. 이론적으로 그리드에 그래프를 공급하는 것은 가능하지만 거대하고 복잡한 네트워크와 적절한 컴퓨터여야 합니다. 범위에서 정규화된 가격 패턴을 제출하는 것이 더 쉽습니다(예: [0;1]). 그리고 고정성이 존중되고 구현하기 쉽습니다. 원칙적으로 트레이더는 가격 패턴을 보지만 깨끗한 차트(지표 없이)에 따라 거래하는 트레이더가 있습니다. 그러나 분명히 네트워크는 지속적으로 재교육되어야 합니다. 우리의 뇌는 연결을 지속적으로 업데이트하고 프로세스에 대한 이해를 향상시키기 때문입니다.
상인은 패턴을 "볼" 때 여전히 순수하지 않은 가격대를 분석합니다. 단 한 마리의 인간 모기도 그러한 양의 RAM을 가지고 있지 않습니다(그런데 그것은 정신적 RAM, 최대 몇백 바이트 ). 따라서 신호 전처리가 필요합니다.
그것에 대해 듣지 못했습니다. 확인. 그렇다면 당연히 CR의 뇌가 어떤 측면을 인지하는지 이해하기 어렵습니다. 국회를 기반으로 비슷한 일을 하려는 모든 시도의 문제다. 들어오는 정보의 중요한 신호는 정의되어 있지 않으며 추측만 하면 됩니다.
하지만 - 개인적으로, 나는 무엇보다도 굴곡과 봉우리를 기억합니다 :)
NS의 도움으로 소음에서 가격 정보를 청소하는 것은 매우 유망한 것 같습니다. 유용한 신호는 원칙적으로 소수의 매개변수로 설명됩니다. 예를 들어 M1에서 하루를 보내면 1440 대신 10-20이 있을 수 있습니다. 인간의 두뇌. 문제는 중요한 정보를 잃지 않고 신호를 적절하게 지우는 방법입니다. 이것이 네트워크가 IMHO를 도울 수 있는 곳입니다. 글쎄, 나머지는 적절한 방법으로 처리 (분류, 클러스터링, 회귀 등) 할 수 있지만 NN이 최선의 선택이 될 것이라는 사실은 아닙니다. 어쨌든 이러한 작업을 위해 많은 도구가 개발되었으며, 특히 그 이유는 모두 똑같이 나쁘게 작동하기 때문입니다.)))
alsu : NS의 도움으로 소음에서 가격 정보를 청소하는 것은 매우 유망한 것 같습니다. 유용한 신호는 원칙적으로 소수의 매개변수로 설명됩니다. 예를 들어 M1에서 하루를 보내면 1440 대신 10-20이 있을 수 있으며 이는 인간의 두뇌. 문제는 중요한 정보를 잃지 않고 신호를 적절하게 지우는 방법입니다. 이것이 네트워크가 IMHO를 도울 수 있는 곳입니다. 글쎄, 나머지는 적절한 방법으로 처리 (분류, 클러스터링, 회귀 등) 할 수 있지만 NN이 최선의 선택이 될 것이라는 사실은 아닙니다. 어쨌든 이러한 작업을 위해 많은 도구가 개발되었으며, 특히 그 이유는 모두 똑같이 나쁘게 작동하기 때문입니다.)))
Alexey, 당신은 Feature Selection 문제에 대해 직접 이야기하고 있습니다. 즉, 일반적인 언어로: 기존 배열에서 데이터의 1%를 선택하는 방법은 다음과 같은 유형의 예측에 대해 가능한 한 유익한 정보를 제공합니다. Enter long, enter short , 기다리다. 그러나 이 문제에 정교한 기술을 적용하더라도 함정은 금세 나온다. 첫째, 선택한 데이터 포인트를 제공할 소스가 명확하지 않습니다. 원시 값이 적합하지 않고 사전 처리되어야 합니다. 아마도 457개와 891개 막대, 1401개 막대와 1300개 막대 사이의 차이를 고려하면 모든 것이 작동할 것입니다. 많은 옵션이 있으며 항상 무차별적으로 정렬하는 것만으로는 충분하지 않습니다.
alexeymosc : Alexey, 당신은 Feature Selection 문제에 대해 직접 이야기하고 있습니다. 즉, 일반적인 언어로: 기존 배열에서 데이터의 1%를 선택하는 방법은 다음과 같은 유형의 예측에 대해 가능한 한 정보를 제공합니다. enter long, enter 잠깐, 잠깐. 그러나 이 문제에 정교한 기술을 적용하더라도 함정은 금세 나온다. 첫째, 선택한 데이터 포인트를 제공할 소스가 명확하지 않습니다. 원시 값이 적합하지 않고 사전 처리되어야 합니다. 아마도 457개와 891개 막대, 1401개 막대와 1300개 막대 사이의 차이를 고려하면 모든 것이 작동할 것입니다. 많은 옵션이 있으며 항상 무차별적으로 정렬하는 것만으로는 충분하지 않습니다.
알고리즘의 출력을 해석하는 문제도 있습니다. 우리는 출력이 무엇을 해야 하는지에 대한 명확한 신호이거나 최소한 상대적으로 이해할 수 있는(설계자에게) 정보가 그러한 신호로 변환되는 방식으로 동일한 네트워크를 구축하려고 매우 자주 시도합니다. 그러나 네트워크 자체가 이러한 형식으로 정보를 제공하는 것이 편리한 것은 아닙니다. 대략 1.5비트(구매-판매-중단)가 아닌 우리에게 제공하는 것이 훨씬 더 쉬울 것입니다. 그러나 예를 들어, 10비트 정보?
alsu : 알고리즘의 출력을 해석하는 문제도 있습니다. 우리는 출력이 무엇을 해야 하는지에 대한 명확한 신호이거나 최소한 상대적으로 이해할 수 있는(설계자에게) 정보가 그러한 신호로 변환되는 방식으로 동일한 네트워크를 구축하려고 매우 자주 시도합니다. 그러나 네트워크 자체가 이러한 형식으로 정보를 제공하는 것이 편리한 것은 아닙니다. 대략 1.5비트(구매-판매-중단)가 아닌 우리에게 제공하는 것이 훨씬 더 쉬울 것입니다. 그러나 예를 들어, 10비트 정보?
그건 그렇고, 좋은 메모. 실제로 우리는 입력 정보를 명확하게 결정할 수 있는 수준(buy-sel-stop)으로 압축하려고 합니다. 최상의 솔루션은 일반적으로 계수가 될 것입니다. 압축은 1과 같습니다(즉, 압축이 없거나 거의 없음). 입력에서 이미지는 그리드가 이해할 수 있고 출력에서 이미지는 사람이 이해할 수 있습니다.
네트워크는 다양한 데이터(입력-출력)에 대해 최적화(맞춤화)될 수 있는 일종의 범용 비선형 기능인 도구입니다. 이 함수는 규칙성을 구별할 수 없습니다.
그리고 있습니다 :)
NN은 입출력 데이터에 대해 훈련되며 패턴이 일반 인구에 보편적인 경우 NN은 샘플에서 성공적으로 작동합니다.
그리고 패턴 선택은 훈련된 가중치 및 NN의 전달 함수 분석에 대한 추가 작업입니다. 저는 개인적으로 이것을 한 적이 없습니다.
인간의 두뇌는 비선형 패턴을 학습하는 데 매우 성공적입니다. 예를 들어, 아프리카 어딘가에 있는 부시맨 부족이 발사한 부메랑의 궤적을 계산해보자. 모든 자연이 우리에게 주었습니다. 시장에서 의도적으로 비선형 패턴을 배울 수 있습니다. 저는 개인적으로 다음과 같은 종류의 VBA 튜토리얼을 작성하고 싶습니다. 차트에 일련의 짧은 따옴표가 표시됩니다(예: 100-150 막대). 향후 가격의 일반적인 방향을 추측해야 합니다. 50바. 위/아래 버튼을 누르면 프로그램이 내 대답과 내가 올바르게 추측했는지 여부를 기록합니다. 그 후 그래프는 시간 축 등을 따라 무작위로 이동합니다. 결과적으로, 나는 배우거나(추측한 방향의 비율이 증가할 것임) 배우지 않거나(예: 죄송합니다. 제대로 되지 않았습니다). 두뇌 학습의 좋은 예가 될 것입니다.
네트워크는 다양한 데이터(입력-출력)에 대해 최적화(맞춤화)될 수 있는 일종의 범용 비선형 기능인 도구입니다. 이 함수는 규칙성을 구별할 수 없습니다. 같은 성공으로 부드러운 곡선에 맞는 다항식이 숨겨진 패턴을 찾는다고 주장할 수 있습니다. 이 함수가 적용된 데이터 범위에서 벗어나면 다항식 회귀의 예에서 어떤 일이 발생하는지 스스로 알 수 있습니다. 그건 그렇고, 네트워크에는 올바른 결정에 영향을 미치지 않고 최적화 중에 가중치가 감소하는 연결이 포함되어 있기 때문에 네트워크에서 최적화된 매개변수의 수는 의사결정 트리보다 훨씬 많습니다.
네트워크로 시장 데이터를 근사하는 것과 패턴 인식이 완전히 다른 것입니다.
두 번째가 더 정확한 것 같습니다. 결국 상인의 뇌는 이미지를 인식합니다.
네트워크로 시장 데이터를 근사하는 것과 패턴 인식이 완전히 다른 것입니다.
두 번째가 더 정확한 것 같습니다. 결국 상인의 뇌는 이미지를 인식합니다.
Google의 엔지니어는 YouTube 동영상의 스크린샷을 자가 학습 네트워크(어떤 유형인지는 모르겠습니다)에 제출했으며 네트워크는 고양이를 별도의 클래스로 구분하는 방법을 배웠습니다. RAM에서 회전하는 정보의 양을 추정할 수 있습니다. 이론적으로 그리드에 그래프를 공급하는 것은 가능하지만 거대하고 복잡한 네트워크와 적절한 컴퓨터여야 합니다. 범위에서 정규화된 가격 패턴을 제출하는 것이 더 쉽습니다(예: [0;1]). 그리고 고정성이 존중되고 구현하기 쉽습니다. 원칙적으로 트레이더는 가격 패턴을 보지만 깨끗한 차트(지표 없이)에 따라 거래하는 트레이더가 있습니다. 그러나 분명히 네트워크는 지속적으로 재교육되어야 합니다. 우리의 뇌는 연결을 지속적으로 업데이트하고 프로세스에 대한 이해를 향상시키기 때문입니다.
상인은 패턴을 "볼" 때 여전히 순수하지 않은 가격대를 분석합니다. 단 한 마리의 인간 모기도 그러한 양의 RAM을 가지고 있지 않습니다(그런데 그것은 정신적 RAM, 최대 몇백 바이트 ). 따라서 신호 전처리가 필요합니다.
그것에 대해 듣지 못했습니다. 확인. 그렇다면 당연히 CR의 뇌가 어떤 측면을 인지하는지 이해하기 어렵습니다. 국회를 기반으로 비슷한 일을 하려는 모든 시도의 문제다. 들어오는 정보의 중요한 신호는 정의되어 있지 않으며 추측만 하면 됩니다.
하지만 - 개인적으로, 나는 무엇보다도 굴곡과 봉우리를 기억합니다 :)
그것에 대해 듣지 못했습니다. 확인. 그렇다면 당연히 CR의 뇌가 어떤 측면을 인지하는지 이해하기 어렵습니다. 국회를 기반으로 비슷한 일을 하려는 모든 시도의 문제다. 들어오는 정보의 중요한 신호는 정의되어 있지 않으며 추측만 하면 됩니다.
하지만 - 개인적으로, 나는 무엇보다도 굴곡과 봉우리를 기억합니다 :)
NS의 도움으로 소음에서 가격 정보를 청소하는 것은 매우 유망한 것 같습니다. 유용한 신호는 원칙적으로 소수의 매개변수로 설명됩니다. 예를 들어 M1에서 하루를 보내면 1440 대신 10-20이 있을 수 있으며 이는 인간의 두뇌. 문제는 중요한 정보를 잃지 않고 신호를 적절하게 지우는 방법입니다. 이것이 네트워크가 IMHO를 도울 수 있는 곳입니다. 글쎄, 나머지는 적절한 방법으로 처리 (분류, 클러스터링, 회귀 등) 할 수 있지만 NN이 최선의 선택이 될 것이라는 사실은 아닙니다. 어쨌든 이러한 작업을 위해 많은 도구가 개발되었으며, 특히 그 이유는 모두 똑같이 나쁘게 작동하기 때문입니다.)))
실제로 뇌에 입력되는 정보에 대해 자세히 알아보십시오. 매우 유익한 예는 이미지의 프랙탈 압축입니다. 실제로 시각적으로 사람이 충분한 정보를 인식할 수 있음을 보여줍니다. 이미지의 "원시" 크기보다 수천 배, 심지어 수만 배 적습니다.
프랙탈 알고리즘을 사용하여 견적을 압축하면 어떤 계수를 얻을 수 있는지 궁금합니다. 100? 500? 더?
Alexey, 당신은 Feature Selection 문제에 대해 직접 이야기하고 있습니다. 즉, 일반적인 언어로: 기존 배열에서 데이터의 1%를 선택하는 방법은 다음과 같은 유형의 예측에 대해 가능한 한 정보를 제공합니다. enter long, enter 잠깐, 잠깐. 그러나 이 문제에 정교한 기술을 적용하더라도 함정은 금세 나온다. 첫째, 선택한 데이터 포인트를 제공할 소스가 명확하지 않습니다. 원시 값이 적합하지 않고 사전 처리되어야 합니다. 아마도 457개와 891개 막대, 1401개 막대와 1300개 막대 사이의 차이를 고려하면 모든 것이 작동할 것입니다. 많은 옵션이 있으며 항상 무차별적으로 정렬하는 것만으로는 충분하지 않습니다.
알고리즘의 출력을 해석하는 문제도 있습니다. 우리는 출력이 무엇을 해야 하는지에 대한 명확한 신호이거나 최소한 상대적으로 이해할 수 있는(설계자에게) 정보가 그러한 신호로 변환되는 방식으로 동일한 네트워크를 구축하려고 매우 자주 시도합니다. 그러나 네트워크 자체가 이러한 형식으로 정보를 제공하는 것이 편리한 것은 아닙니다. 대략 1.5비트(구매-판매-중단)가 아닌 우리에게 제공하는 것이 훨씬 더 쉬울 것입니다. 그러나 예를 들어, 10비트 정보?