비 네트워크에 약간 관여하는 사람 (만 12 세)으로서 오랫동안 비 네트워크에 관여 한 사람에게 모든 작업에서 신경망을 사용하는 것은 자신의 작업과 불가분의 관계라고 말할 수 있습니다. 디자인(프로그래밍). 가장 중요한 것은 두 가지 가정입니다. 초기 데이터(이것은 별도의 노래입니다)와 가장 중요한 것은 학습 알고리즘입니다. 네트워크는 모든 것을 할 수 있습니다. 가장 중요한 것은 네트워크를 올바르게 훈련시키는 것입니다.
나는 또한 학습 알고리즘에 결과의 해석을 추가할 것입니다. 학습 결과를 달성하는 것이 문제에 대한 올바른 솔루션을 제공하는 것보다 쉽습니다. 가격 변동을 고려하면 이것은 의사 확률 적 시계열 , 적용 및 해석의 문제가 급격히 발생합니다 ...
분류 성능을 향상시키기 위해 다층 그리드를 사용해야 할 필요성을 의심하는 사람이 있을 거라고는 생각하지 못했습니다. =)
Jan LeCun이 이에 대해 쓴 글을 읽는 것이 좋습니다. http://yann.lecun.com/exdb/mnist/index.html . 사실, 주제 영역이 약간 다릅니다 - 문자 인식. 일반적으로 단일 레이어 메쉬는 8.4%로 최악의 결과를 보였습니다. 하지만! 다층 중 하나(2층, 300개의 은닉층 뉴런 포함)는 1.6% 오류로 매우 좋은 결과를 보였습니다. 저것들. 레이어를 하나만 추가해도 메쉬가 훨씬 더 "강력해집니다".
즉, 이것은 완전히 다른 주제 영역이므로 다른 접근 방식입니다. 표준 글꼴의 문자 윤곽은 변경되지 않으므로 뉴런이 책의 나머지 페이지에 있는 문자를 높은 정확도로 인식할 수 있도록 예를 들어 몇 페이지에서 한 가지 예에서 네트워크를 한 번 훈련시키는 것이 합리적입니다. .
금융 시장과 관련하여 이것은 모든 것이 끊임없이 변화하고 지속적인 역학 관계에 있는 또 다른 영역입니다. 따라서 복잡한 다층은 여기에서 치아를 끊습니다. 문자 인식 분야에서 과장된 비유는 책의 한 페이지에서 문자 "A"가 "A"로 해석되어야 하고 다른 페이지에서는 동일한 "A"가 이미 "B"로 해석되어야 한다는 것입니다.
이러한 이유로 금융 상품의 과거 데이터의 다른 부분에서 인식된 동일한 패턴은 완전히 다른 방식으로 거래 신호로 해석될 수 있습니다. 일부 섹션에서는 해당 식별이 롱 포지션을 개시하고 숏 포지션을 청산하는 데 더 적합합니다. 동시에 다른 섹션에서와 마찬가지로 반대가 사실입니다: 숏 포지션을 열고 롱 포지션을 청산합니다.
위에서 링크한 작업에서는 MNIST 데이터베이스를 사용했습니다. 이 데이터베이스에는 손 으로 쓴 것이 아니라 손으로 쓰거나 인쇄된 문자 이미지가 포함되어 있습니다.
물론, 나는 금융 시장에서 모든 것이 일정한 역학 관계에 있다는 것을 이해하지만 그리드 입력에 제공되는 정보의 양을 늘리거나 ( 위의 누군가가 이미 제안한 것처럼), 훈련 샘플에서 그러한 패턴을 완전히 제외하는 것이 가능합니다. 물론 제안하신 버전에서는 단층 퍼셉트론 사용에 대한 글에서 충돌 패턴이 많았습니다. 입구가 4개밖에 없었기 때문이다.
단층 퍼셉트론은 XOR 문제를 해결할 수 없으며(Minsky의 책 참조) 이것이 결함을 만든다고 말하고 싶습니다.
응.
비 네트워크에 약간 관여하는 사람 (만 12 세)으로서 오랫동안 비 네트워크에 관여 한 사람에게 모든 작업에서 신경망을 사용하는 것은 자신의 작업과 불가분의 관계라고 말할 수 있습니다. 디자인(프로그래밍). 가장 중요한 것은 두 가지 가정입니다. 초기 데이터(이것은 별도의 노래입니다)와 가장 중요한 것은 학습 알고리즘입니다. 네트워크는 모든 것을 할 수 있습니다. 가장 중요한 것은 네트워크를 올바르게 훈련시키는 것입니다.
분류 성능을 향상시키기 위해 다층 그리드를 사용해야 할 필요성을 의심하는 사람이 있을 거라고는 생각하지 못했습니다. =)
Jan LeCun이 이에 대해 쓴 글을 읽는 것이 좋습니다. http://yann.lecun.com/exdb/mnist/index.html . 사실, 주제 영역이 약간 다릅니다 - 문자 인식. 일반적으로 단일 레이어 메쉬는 8.4%로 최악의 결과를 보였습니다. 하지만! 다층 중 하나(2층, 300개의 은닉층 뉴런 포함)는 1.6% 오류로 매우 좋은 결과를 보였습니다. 저것들. 레이어를 하나만 추가해도 메쉬가 훨씬 더 "강력해집니다".
즉, 이것은 완전히 다른 주제 영역이므로 다른 접근 방식입니다. 표준 글꼴의 문자 윤곽은 변경되지 않으므로 뉴런이 책의 나머지 페이지에 있는 문자를 높은 정확도로 인식할 수 있도록 예를 들어 몇 페이지에서 한 가지 예에서 네트워크를 한 번 훈련시키는 것이 합리적입니다. .
금융 시장과 관련하여 이것은 모든 것이 끊임없이 변화하고 지속적인 역학 관계에 있는 또 다른 영역입니다. 따라서 복잡한 다층은 여기에서 치아를 끊습니다. 문자 인식 분야에서 과장된 비유는 책의 한 페이지에서 문자 "A"가 "A"로 해석되어야 하고 다른 페이지에서는 동일한 "A"가 이미 "B"로 해석되어야 한다는 것입니다.
이러한 이유로 금융 상품의 과거 데이터의 다른 부분에서 인식된 동일한 패턴은 완전히 다른 방식으로 거래 신호로 해석될 수 있습니다. 일부 섹션에서는 해당 식별이 롱 포지션을 개시하고 숏 포지션을 청산하는 데 더 적합합니다. 동시에 다른 섹션에서와 마찬가지로 반대가 사실입니다: 숏 포지션을 열고 롱 포지션을 청산합니다.
위에서 링크한 작업에서는 MNIST 데이터베이스를 사용했습니다. 이 데이터베이스에는 손 으로 쓴 것이 아니라 손으로 쓰거나 인쇄된 문자 이미지가 포함되어 있습니다.
물론, 나는 금융 시장에서 모든 것이 일정한 역학 관계에 있다는 것을 이해하지만 그리드 입력에 제공되는 정보의 양을 늘리거나 ( 위의 누군가가 이미 제안한 것처럼), 훈련 샘플에서 그러한 패턴을 완전히 제외하는 것이 가능합니다. 물론 제안하신 버전에서는 단층 퍼셉트론 사용에 대한 글에서 충돌 패턴이 많았습니다. 입구가 4개밖에 없었기 때문이다.
단층 퍼셉트론은 XOR 문제를 해결할 수 없으며(Minsky의 책 참조) 이것이 결함을 만든다고 말하고 싶습니다.
학습 결과를 달성하는 것이 올바른 것을 제공하는 것보다 쉽습니다.
문제의 해결책. 가격 변동을 감안할 때 의사 확률적입니다.
시계열, 그 다음 적용과 해석의 문제
...
작업은 네트워크 출력의 해석으로 시작됩니다. 즉, 작업이 설정되고 있습니다. 그래서 나는 당신에게 완전히 동의합니다.
나는 훈련 샘플을 생성하기 위해 정확히 무엇을 사용하는지에 대한 질문을 제기하고 싶습니다. 가장 중요한 것입니다.
훈련 결과는 기존 지표에 의해 생성됩니다.
하지만 뭐, 이게 가장 은밀한 데이터 준비처럼
왜요? 결국 아무도 알고리즘을 요구하지 않습니다. 생각을 공유하세요.
그렇다면 아무도 가장 중요한 것에 대해 이야기하고 싶어하지 않는다면 여기서 우리가 이야기하는 내용이 흥미롭습니다.
이런 경우는 군비경쟁과도 같아서 아무도 믿지 않습니다 :)
훈련 데이터의 초기 세트는 {H,L,O,C}일 수도 있습니다. 다른 사람들에게는 어떤 모델, 아이디어가 네트워크와 시스템 전체의 기초가 되는지가 중요합니다.
아이디어가 정확하고 목표가 올바르게 공식화되고 오류 추정 기능이 올바르게 선택되면 결과는 로컬 네트워크의 확실한 히트입니다.
N 훈련 에포크 후 최소. 추가 기술은 네트워크를 최소한의 손실로 교착 상태에서 벗어나 학습을 계속하는 것입니다.
그리고 여기에는 모든 수단이 좋습니다. 데이터 전처리, 설계자 교체, 알고리즘 학습 - 일반적으로 가장 중요한 것은 개발 중인 모델의 달성입니다.
제출 위치와 관련하여 Reshetov 네트워크 중 하나의 아이디어 구현을 반복하는 것이 좋습니다. 여기 포럼에는 여러 네트워크가 있습니다. 그런 다음 평가
모델, 결과 - 글쎄, 모든 것이 당신의 손에 달려 있습니다.