1. 시스템을 감염시키는 또 다른 옵션은 추가 무작위 입력을 뉴런 또는 뉴런 그룹(기관)에 도입하는 것입니다.
2. "기관"은 하나의 보편적인 피드백을 가진 특수화된 뉴런 그룹으로 나타낼 수 있습니다. 기관의 각 뉴런은 해당 그룹(장기 또는 가족)의 다른 뉴런의 출력이 무엇인지 "알고" 각 그룹은 신체의 출력이 무엇인지 알고 있습니다. 이러한 신경망은 동적 자가 조정이 가능하며 학습의 필요성이 지배적인 것 중 하나가 될 것입니다. 시스템은 필요로 하는 지식을 의도적으로 그리고 스스로 동기를 부여하여 찾고 일반화할 수 있습니다. 우리의 임무는 거기에 장애물을 설치하고 여기 저기에 지식의 조각을 분산하는 것입니다 :-)
Dead number -- 모든 것이 올바르게 수행되면(네트워크 구성 및 훈련에서) 특정 횟수의 훈련 반복 후에 기관이 분리됩니다.
또 다른 것은 델타 규칙에 상대적으로 작은 랜덤 구성 요소를 도입하면 학습 프로세스를 "감염"시키는 것입니다. 이는 어떤 경우에는 학습률을 증가시킬 뿐만 아니라 로컬 최소값에서 효과적으로 벗어날 것입니다. 이미 검증된 방법입니다.
나는 이미 이 스레드의 주요 주제를 평가할 수 있었습니다! -:) 당신은 천재이고 농담이 아닙니다!
아이디어가 있습니다. 꽤 신선합니다. 어젯밤 나는 개인 신경망의 모든 수준에서 "단락"을 겪었습니다. :-)
사실 나는 평생 동안 사람을 연구해 왔으며 그의 사회적, 개인적 깨달음의 맥락에서뿐만 아니라이 모든 것이 "표면"일뿐만 아니라 존재의 통합 현상이자 "의식의 용기"입니다. . 그리고 오늘, 하룻밤 사이에 수년간 축적된 모든 것이 단순히 정리된 사실과 가정의 집합에서 독립적인 무결성으로 체계화(자기 조직화)되었습니다.
기쁨을 숨길 수 없습니다! 글쎄요 ... 그것은 서정적 인 탈선이었습니다.
아이디어는 간단합니다.
규모와 목적에 관계없이 NS의 견고성을 높이려면 ... 감염시키려고 시도해야 합니다. 바이러스는 확실히 Turing 기계의 결정론적 논리에 치명적입니다. NS 및 인공 지능의 경우 유능한 "투여된" 응용 프로그램이 있는 경우 "생수"로 판명될 수 있습니다. 이제 순서대로 모든 것에 대해:
1. 모든 살아있는 유기체는 신경망의 본질입니다. 그 진술은 너무 대담해 보일 수 있지만, 이는 현상학적인 사실입니다.
2. 모든 살아있는 유기체는 학습을 위해 공격적인 환경에 배치됩니다. 우리는 그것을 진화라고 부릅니다. 형태의 진화와 함께 이러한 형태로 구현된 개별 의식의 지속적인 진화가 있음을 기억하면 됩니다. 의식 자체는 시스템의 복잡성(신경망)의 효과이며, 진화론적 "플랑크"는 시스템의 엔트로피에 대한 시스템의 복잡성의 비율입니다.
3. 엔트로피가 특정 한계 이하로 떨어진 시스템은 죽는다. 더 이상 진화할 수는 없지만 엔트로피가 특정 한계 이상으로 성장한 시스템도 자체 파괴됩니다. 따라서 결론: 시스템이 성공적으로 진화하려면 엔트로피가 주기적으로 일정 시간 동안 주어진 시스템에서 최대 허용 값에 도달해야 합니다. 우리는 이 상태를 "질병"이라고 부릅니다. "질병"이라는 단어에 대해 말하면 나는 소위 말하는 다소 넓은 의미에서 그것을 의미합니다. 완벽하게 건강해 보이는 범죄자는 아픈 사람입니다. 아픈 것은 그의 몸이 아니라 그의 의식과 고통을 받는데, 대부분 온도와 독감의 형태가 아니라 소위 말하는 형태입니다. "무거운 십자가", "운명" 등등. 그러나 그러한 사람이받는이 "사회적"고통은 진화 연속체의 교육적 영향 유형 중 하나입니다.이 생물의 엔트로피가 거의 견딜 수 없을 정도로 증가합니다. 이것은 교사와 그의 목표에 대한 철학적 질문을 제기하지만 ... 포럼 대화의 범위를 훨씬 뛰어 넘습니다. :)
4. 살아남은 사람들은 면역이 발달했습니다. 가장 넓은 의미에서 - 즉, 병원체와 사회에 대항할 뿐만 아니라 더 중요하게는 진화를 위해 - 트랜잭션 외부 및 트랜잭션 내부.
5. 모든 살아있는 시스템에는 면역 체계가 충분히 약해지면 확실히 죽이는 "미생물"이 있습니다. 자연은 왜 이렇게 되었을까요? 그러나 바로 그때 생존을 위한 시스템의 지속적인 내부 "훈련"으로 인해 환경 요인에 저항하는 동일한 시스템의 능력을 증가시키고 따라서 개별 진화를 계속할 더 많은 기회(시간)를 갖게 됩니다.
6. 진화하는 시스템의 임무가 (모든 의미에서) 면역을 개발하는 것이라고 가정하십시오. 그런 다음 흥미로운 사실이 밝혀졌습니다. 살아있는 NN의 입력 수와 출력 수(출력은 더 작음)는 뉴런 및 연결 수에 비해 엄청나게 작습니다! 저것들. 우리는 중간 레이어의 뉴런 수를 가져 와서 급격히 증가시킵니다 (입력, 은닉 및 출력의 세 가지 레이어가있는 경우). 이제 신경망을 "감염"시키려고 시도 할 수 있습니다. 이것은 체중 보정 중에 투여량 무작위 오류를 도입하여 수행할 수 있습니다! 그리고 조금 더 나아가면 이 무작위 오류의 빈도나 진폭을 늘리거나 줄임으로써 NN의 대체 훈련이 가능합니다.
예를 들어 가중치를 조정하기 전에 1000번의 호출 중 한 번 (무작위로) 특정 범위(예: +0.01 / -0.01 )에서 임의의 값을 반환하는 함수를 사용하여 수정기에 작은 오류를 추가할 수 있습니다. . 언제 어떤 뉴런이 약간의 잘못된 증가를 수신할지 알 수 없습니다. 이러한 증가가 더 자주 발생할수록 시스템의 엔트로피가 높아집니다. 그러면 국회는 그 효율성을 유지하기 위해 어쩔 수 없이 ... 자신의 실수를 고려해야 할 것입니다!
박스 오피스에 대한 자세한 내용은 다음과 같습니다.
1. 시스템을 감염시키는 또 다른 옵션은 추가 무작위 입력을 뉴런 또는 뉴런 그룹(기관)에 도입하는 것입니다.
2. "기관"은 하나의 보편적인 피드백을 가진 특수화된 뉴런 그룹으로 나타낼 수 있습니다. 기관의 각 뉴런은 해당 그룹(기관 또는 가족)의 다른 뉴런의 출력이 무엇인지 "알고" 각 그룹은 유기체의 출력이 무엇인지 알고 있습니다. 이러한 신경망은 동적 자가 조정이 가능하며 훈련의 필요성이 지배적인 것 중 하나가 될 것입니다. 시스템은 필요로 하는 지식을 의도적으로 그리고 스스로 동기를 부여하여 찾고 일반화할 수 있습니다. 우리의 임무는 거기에 장애물을 설치하고 여기 저기에 지식의 조각을 분산하는 것입니다 :-)
+5
나도 같은 생각을 했다. AI로 작업할 때 흥미롭고 사소한 종속성이 많이 발견됩니다.
예를 들어, 얼마 전에 나는 우리에게 꿈이 필요한 이유를 깨달았습니다 ... 꿈에서 우리의 뇌는 이전에 본 것을 경험하여 시냅스를 훈련하여 피할 수없는 영양 장애를 제거합니다 (이것은 신진 대사가 일어나는 생물학적 대상입니다 프로세스가 계속 진행되고 오류가 누적됩니다.) 잠을 자지 않았다면 1년 안에 모든 인지 능력과 장기 기억을 잃었을 것입니다! - 본 것만 기억하는 가장 단순한 사람으로 변할 것입니다. 삶을 변화시키는 사건과 관련된 강력한 경험은 항상 꿈에서 우리를 괴롭혀 도끼로 유용한 지식을 확보합니다.
삶을 변화시키는 사건과 관련된 강력한 경험은 항상 꿈에서 우리를 괴롭혀 도끼로 유용한 지식을 확보합니다.
글쎄, 우리가 그것을 고칠 거 야. 학습 맥락이 부정적일 필요는 없습니다. 시스템에 기대되는 것을 "수용"하고 이 목표를 자신의 것으로 "수용"한 시스템(주 목적 = 삶의 의미)의 경우 꿈은 악몽의 흔적을 남기지 않고 꿈에서 학습은 계속될 수 있습니다. 매우 빠른 속도로.
Neutron , 이제 시스템의 엔트로피를 조작하여 학습으로 완전히 전환하면 로컬 최소값이 클래스로 사라질 것이라고 생각합니다. 사실, 훈련에는 더 많은 에포크가 필요할 수 있으며 일반적으로 모든 메시가 완료할 수 있는 것은 아닙니다. 그러나 다른 한편으로, 그들이 할 수 있었던 것은 ... 그들이 무엇을 할 수 있을지 상상하기조차 어렵습니다.
저는 현재 Matkad의 Zig-Zag로 작업 중입니다. 마지막 주제에서 일어나는 일은 다음과 같습니다. 전체 숫자 라인에 정의된 임의의 증분 분포를 가진 입력 데이터를 가집시다. 이 분포를 선반 모양의 확률 밀도(PD) 분포로 +/-1 범위로 매핑하는 알고리즘을 찾는 것이 필요합니다.
예를 들어, 시리즈 EURUSD 1m을 가지고 차이 d[i]=Open[i]-Open[i+1]의 PV 분포 그래프를 작성해 봅시다. 왼쪽:
이러한 양질의 지수 분포가 밝혀졌고 우리는 그것을 단일 선반으로 만들 것입니다. 이를 위해 SW의 누적 합(오른쪽 그림)을 찾고 분기의 부호를 고려하여 각 분기를 1로 정규화하여 SW DF를 구성합니다(이전에 해당 값만큼 곡선을 이동 SW 분포의 최대값에서 "0"). 시그모이드처럼 보입니다. 이제 초기 일련의 증분을 취하고 각 시그모이드를 단일 선반에 표시하는 연산자로 작동합니다. 이를 위해 나는 단순히 증분 d[i]의 값을 결과 시그모이드의 인수로 대체했습니다.
그것은 선반 모양이 아니지만 그것에 가까운 것으로 밝혀졌습니다. 원래 배포판과 비교하십시오. 결과 분포의 중심에서의 희박화는 불가피합니다. 왜냐하면 우리는 그것을 어딘가로 더 두껍게 밀어내기 위해 어딘가를 늘려야 하기 때문입니다. 나는 NS의 경우 이것이 입구에서 완벽한 칵테일이라고 생각합니다.
추신: 왜 완벽한 선반이 작동하지 않았는지 궁금합니다. 이것은 근본적으로 불가능하고 방법의 한계입니까, 아니면 구성에서 뭔가를 놓치고 있습니까?
추신: 왜 완벽한 선반이 작동하지 않았는지 궁금합니다. 이것은 근본적으로 불가능하고 방법의 한계입니까, 아니면 구성에서 뭔가를 놓치고 있습니까?
나는 또한 어제 이것에 대해 생각했습니다 ... (물론, 당신만큼 수학적으로는 아닙니다. 그래서 나는 방법을 모릅니다) 일반적으로 이것이 우연이 아니라는 의심이 있습니다! 저것들. 당신은 아무것도 놓치지 않습니다.
속성 d[i]=Open[i]-Open[i+1]에는 특별한 것이 있습니다. 이 경우 입력에 프랙탈 VR이 있고 연속 연산자(예: th(x) 또는 시그모이드)로 신중하게 작업하므로 이상적인 선반을 얻지 못할 것이라는 직관적인 추측이 있습니다. 확률 분포 Open[i]-Open[i+1 ] Kherstovo 가능성이 가장 높습니다. 더 대충 해서 중간 - 0이 완전히 사라집니다. 그런데 왜 Open을 하는 겁니까?
나는 형성되지 않은 것을 가지고 장난치는 것을 좋아하지 않는다. 이것은 Matkad의 습관입니다. 아스팔트 위의 두 손가락처럼 차량을 테스트할 때 고의가 아닌 미래를 "내다보는" 것입니다! 이에 대한 유일한 보증은 형성된 막대 또는 시작 가격입니다. 그들은 확실히 점프하지 않습니다.
입력 신호의 상관 관계에 어떤 문제가 있는지 암시합니다. 입력으로 무엇을 제출하고 문제가 있다고 결정한 이유는 무엇입니까? 결국, 그것을 해결하는 것보다 존재하지 않는지 확인하는 것이 더 쉽습니다 :-)
박스 오피스에 대한 자세한 내용은 다음과 같습니다.
1. 시스템을 감염시키는 또 다른 옵션은 추가 무작위 입력을 뉴런 또는 뉴런 그룹(기관)에 도입하는 것입니다.
2. "기관"은 하나의 보편적인 피드백을 가진 특수화된 뉴런 그룹으로 나타낼 수 있습니다. 기관의 각 뉴런은 해당 그룹(장기 또는 가족)의 다른 뉴런의 출력이 무엇인지 "알고" 각 그룹은 신체의 출력이 무엇인지 알고 있습니다. 이러한 신경망은 동적 자가 조정이 가능하며 학습의 필요성이 지배적인 것 중 하나가 될 것입니다. 시스템은 필요로 하는 지식을 의도적으로 그리고 스스로 동기를 부여하여 찾고 일반화할 수 있습니다. 우리의 임무는 거기에 장애물을 설치하고 여기 저기에 지식의 조각을 분산하는 것입니다 :-)
Dead number -- 모든 것이 올바르게 수행되면(네트워크 구성 및 훈련에서) 특정 횟수의 훈련 반복 후에 기관이 분리됩니다.
또 다른 것은 델타 규칙에 상대적으로 작은 랜덤 구성 요소를 도입하면 학습 프로세스를 "감염"시키는 것입니다. 이는 어떤 경우에는 학습률을 증가시킬 뿐만 아니라 로컬 최소값에서 효과적으로 벗어날 것입니다. 이미 검증된 방법입니다.
Dead number -- 모든 것이 올바르게 수행되면(네트워크 구성 및 훈련에서) 특정 횟수의 훈련 반복 후에 기관이 분리됩니다.
제대로 할 필요는 없다...
기관은 이를 위한 것이며 기관은 간이 비장의 기능을 방해하지 않도록 한다. 네트워크는 엔트로피의 중요한 감소가 "죽음"이기 때문에 모든 기관을 격리하지 않을 것입니다.
글쎄, 무언가가 사라지면 그것은 불필요했습니다.
나는 이미 이 스레드의 주요 주제를 평가할 수 있었습니다! -:) 당신은 천재이고 농담이 아닙니다!
아이디어가 있습니다. 꽤 신선합니다. 어젯밤 나는 개인 신경망의 모든 수준에서 "단락"을 겪었습니다. :-)
사실 나는 평생 동안 사람을 연구해 왔으며 그의 사회적, 개인적 깨달음의 맥락에서뿐만 아니라이 모든 것이 "표면"일뿐만 아니라 존재의 통합 현상이자 "의식의 용기"입니다. . 그리고 오늘, 하룻밤 사이에 수년간 축적된 모든 것이 단순히 정리된 사실과 가정의 집합에서 독립적인 무결성으로 체계화(자기 조직화)되었습니다.
기쁨을 숨길 수 없습니다! 글쎄요 ... 그것은 서정적 인 탈선이었습니다.
아이디어는 간단합니다.
규모와 목적에 관계없이 NS의 견고성을 높이려면 ... 감염시키려고 시도해야 합니다. 바이러스는 확실히 Turing 기계의 결정론적 논리에 치명적입니다. NS 및 인공 지능의 경우 유능한 "투여된" 응용 프로그램이 있는 경우 "생수"로 판명될 수 있습니다. 이제 순서대로 모든 것에 대해:
1. 모든 살아있는 유기체는 신경망의 본질입니다. 그 진술은 너무 대담해 보일 수 있지만, 이는 현상학적인 사실입니다.
2. 모든 살아있는 유기체는 학습을 위해 공격적인 환경에 배치됩니다. 우리는 그것을 진화라고 부릅니다. 형태의 진화와 함께 이러한 형태로 구현된 개별 의식의 지속적인 진화가 있음을 기억하면 됩니다. 의식 자체는 시스템의 복잡성(신경망)의 효과이며, 진화론적 "플랑크"는 시스템의 엔트로피에 대한 시스템의 복잡성의 비율입니다.
3. 엔트로피가 특정 한계 이하로 떨어진 시스템은 죽는다. 더 이상 진화할 수는 없지만 엔트로피가 특정 한계 이상으로 성장한 시스템도 자체 파괴됩니다. 따라서 결론: 시스템이 성공적으로 진화하려면 엔트로피가 주기적으로 일정 시간 동안 주어진 시스템에서 최대 허용 값에 도달해야 합니다. 우리는 이 상태를 "질병"이라고 부릅니다. "질병"이라는 단어에 대해 말하면 나는 소위 말하는 다소 넓은 의미에서 그것을 의미합니다. 완벽하게 건강해 보이는 범죄자는 아픈 사람입니다. 아픈 것은 그의 몸이 아니라 그의 의식과 고통을 받는데, 대부분 온도와 독감의 형태가 아니라 소위 말하는 형태입니다. "무거운 십자가", "운명" 등등. 그러나 그러한 사람이받는이 "사회적"고통은 진화 연속체의 교육적 영향 유형 중 하나입니다.이 생물의 엔트로피가 거의 견딜 수 없을 정도로 증가합니다. 이것은 교사와 그의 목표에 대한 철학적 질문을 제기하지만 ... 포럼 대화의 범위를 훨씬 뛰어 넘습니다. :)
4. 살아남은 사람들은 면역이 발달했습니다. 가장 넓은 의미에서 - 즉, 병원체와 사회에 대항할 뿐만 아니라 더 중요하게는 진화를 위해 - 트랜잭션 외부 및 트랜잭션 내부.
5. 모든 살아있는 시스템에는 면역 체계가 충분히 약해지면 확실히 죽이는 "미생물"이 있습니다. 자연은 왜 이렇게 되었을까요? 그러나 바로 그때 생존을 위한 시스템의 지속적인 내부 "훈련"으로 인해 환경 요인에 저항하는 동일한 시스템의 능력을 증가시키고 따라서 개별 진화를 계속할 더 많은 기회(시간)를 갖게 됩니다.
6. 진화하는 시스템의 임무가 (모든 의미에서) 면역을 개발하는 것이라고 가정하십시오. 그런 다음 흥미로운 사실이 밝혀졌습니다. 살아있는 NN의 입력 수와 출력 수(출력은 더 작음)는 뉴런 및 연결 수에 비해 엄청나게 작습니다! 저것들. 우리는 중간 레이어의 뉴런 수를 가져 와서 급격히 증가시킵니다 (입력, 은닉 및 출력의 세 가지 레이어가있는 경우). 이제 신경망을 "감염"시키려고 시도 할 수 있습니다. 이것은 체중 보정 중에 투여량 무작위 오류를 도입하여 수행할 수 있습니다! 그리고 조금 더 나아가면 이 무작위 오류의 빈도나 진폭을 늘리거나 줄임으로써 NN의 대체 훈련이 가능합니다.
예를 들어 가중치를 조정하기 전에 1000번의 호출 중 한 번 (무작위로) 특정 범위(예: +0.01 / -0.01 )에서 임의의 값을 반환하는 함수를 사용하여 수정기에 작은 오류를 추가할 수 있습니다. . 언제 어떤 뉴런이 약간의 잘못된 증가를 수신할지 알 수 없습니다. 이러한 증가가 더 자주 발생할수록 시스템의 엔트로피가 높아집니다. 그러면 국회는 그 효율성을 유지하기 위해 어쩔 수 없이 ... 자신의 실수를 고려해야 할 것입니다!
박스 오피스에 대한 자세한 내용은 다음과 같습니다.
1. 시스템을 감염시키는 또 다른 옵션은 추가 무작위 입력을 뉴런 또는 뉴런 그룹(기관)에 도입하는 것입니다.
2. "기관"은 하나의 보편적인 피드백을 가진 특수화된 뉴런 그룹으로 나타낼 수 있습니다. 기관의 각 뉴런은 해당 그룹(기관 또는 가족)의 다른 뉴런의 출력이 무엇인지 "알고" 각 그룹은 유기체의 출력이 무엇인지 알고 있습니다. 이러한 신경망은 동적 자가 조정이 가능하며 훈련의 필요성이 지배적인 것 중 하나가 될 것입니다. 시스템은 필요로 하는 지식을 의도적으로 그리고 스스로 동기를 부여하여 찾고 일반화할 수 있습니다. 우리의 임무는 거기에 장애물을 설치하고 여기 저기에 지식의 조각을 분산하는 것입니다 :-)
+5
나도 같은 생각을 했다. AI로 작업할 때 흥미롭고 사소한 종속성이 많이 발견됩니다.
예를 들어, 얼마 전에 나는 우리에게 꿈이 필요한 이유를 깨달았습니다 ... 꿈에서 우리의 뇌는 이전에 본 것을 경험하여 시냅스를 훈련하여 피할 수없는 영양 장애를 제거합니다 (이것은 신진 대사가 일어나는 생물학적 대상입니다 프로세스가 계속 진행되고 오류가 누적됩니다.) 잠을 자지 않았다면 1년 안에 모든 인지 능력과 장기 기억을 잃었을 것입니다! - 본 것만 기억하는 가장 단순한 사람으로 변할 것입니다. 삶을 변화시키는 사건과 관련된 강력한 경험은 항상 꿈에서 우리를 괴롭혀 도끼로 유용한 지식을 확보합니다.
삶을 변화시키는 사건과 관련된 강력한 경험은 항상 꿈에서 우리를 괴롭혀 도끼로 유용한 지식을 확보합니다.
글쎄, 우리가 그것을 고칠 거 야. 학습 맥락이 부정적일 필요는 없습니다. 시스템에 기대되는 것을 "수용"하고 이 목표를 자신의 것으로 "수용"한 시스템(주 목적 = 삶의 의미)의 경우 꿈은 악몽의 흔적을 남기지 않고 꿈에서 학습은 계속될 수 있습니다. 매우 빠른 속도로.
Neutron, 나는 여전히 입력을 화이트워싱하고 오류를 다음 수준으로 전파하는 것에 대해 이야기하고 싶습니다.
헤이 패럴로커스 .
저는 현재 Matkad의 Zig-Zag로 작업 중입니다. 마지막 주제에서 일어나는 일은 다음과 같습니다. 전체 숫자 라인에 정의된 임의의 증분 분포를 가진 입력 데이터를 가집시다. 이 분포를 선반 모양의 확률 밀도(PD) 분포로 +/-1 범위로 매핑하는 알고리즘을 찾는 것이 필요합니다.
예를 들어, 시리즈 EURUSD 1m을 가지고 차이 d[i]=Open[i]-Open[i+1]의 PV 분포 그래프를 작성해 봅시다. 왼쪽:
이러한 양질의 지수 분포가 밝혀졌고 우리는 그것을 단일 선반으로 만들 것입니다. 이를 위해 SW의 누적 합(오른쪽 그림)을 찾고 분기의 부호를 고려하여 각 분기를 1로 정규화하여 SW DF를 구성합니다(이전에 해당 값만큼 곡선을 이동 SW 분포의 최대값에서 "0"). 시그모이드처럼 보입니다. 이제 초기 일련의 증분을 취하고 각 시그모이드를 단일 선반에 표시하는 연산자로 작동합니다. 이를 위해 나는 단순히 증분 d[i]의 값을 결과 시그모이드의 인수로 대체했습니다.
그것은 선반 모양이 아니지만 그것에 가까운 것으로 밝혀졌습니다. 원래 배포판과 비교하십시오. 결과 분포의 중심에서의 희박화는 불가피합니다. 왜냐하면 우리는 그것을 어딘가로 더 두껍게 밀어내기 위해 어딘가를 늘려야 하기 때문입니다. 나는 NS의 경우 이것이 입구에서 완벽한 칵테일이라고 생각합니다.
추신: 왜 완벽한 선반이 작동하지 않았는지 궁금합니다. 이것은 근본적으로 불가능하고 방법의 한계입니까, 아니면 구성에서 뭔가를 놓치고 있습니까?
바로 지금, 나는 당신이 쓴 것에 들어갈 것입니다 - 나는 대답 할 것입니다
추신: 왜 완벽한 선반이 작동하지 않았는지 궁금합니다. 이것은 근본적으로 불가능하고 방법의 한계입니까, 아니면 구성에서 뭔가를 놓치고 있습니까?
나는 또한 어제 이것에 대해 생각했습니다 ... (물론, 당신만큼 수학적으로는 아닙니다. 그래서 나는 방법을 모릅니다) 일반적으로 이것이 우연이 아니라는 의심이 있습니다! 저것들. 당신은 아무것도 놓치지 않습니다.
속성 d[i]=Open[i]-Open[i+1]에는 특별한 것이 있습니다. 이 경우 입력에 프랙탈 VR이 있고 연속 연산자(예: th(x) 또는 시그모이드)로 신중하게 작업하므로 이상적인 선반을 얻지 못할 것이라는 직관적인 추측이 있습니다. 확률 분포 Open[i]-Open[i+1 ] Kherstovo 가능성이 가장 높습니다. 더 대충 해서 중간 - 0이 완전히 사라집니다. 그런데 왜 Open을 하는 겁니까?
나는 형성되지 않은 것을 가지고 장난치는 것을 좋아하지 않는다. 이것은 Matkad의 습관입니다. 아스팔트 위의 두 손가락처럼 차량을 테스트할 때 고의가 아닌 미래를 "내다보는" 것입니다! 이에 대한 유일한 보증은 형성된 막대 또는 시작 가격입니다. 그들은 확실히 점프하지 않습니다.
입력 신호의 상관 관계에 어떤 문제가 있는지 암시합니다. 입력으로 무엇을 제출하고 문제가 있다고 결정한 이유는 무엇입니까? 결국, 그것을 해결하는 것보다 존재하지 않는지 확인하는 것이 더 쉽습니다 :-)