paralocus писал(а)>> 나는 훈련 샘플의 길이가 네트워크 구성(입력 수와 뉴런 수)의 함수일 수는 없다고 생각합니다. 아마도 우리가 네트워크를 훈련시키려는 시리즈의 일부 특성을 고려해야 할 것입니다.
이는 VR이 정지하지 않고 보정이 비정상 특성에 따라 결정되는 경우 가능합니다. 그러나 우리는 여전히 수정과는 거리가 멉니다. 샘플 길이가 가중치 수와 NN 입력의 차원에 의존하는 유형은 알 수 없습니다. 직관적으로 저는 일반적인 형식이 P=4*w 와 같을 것이라고 믿습니다. 이것은 모든 NN 아키텍처에 해당됩니다.
Fedor, 바이너리 VR 예측 문제에 대한 제 "현현"에 대해 무엇을 말할 수 있습니까? 결국, 이 특별한 경우에 VR이 NS만큼 효과적으로 예측 기계(통계 분석)로 사용될 수 있다는 사실은 프로세스의 자원 집약도 측면에서 우리의 손을 완전히 풀어줍니다. 나는 이것이 돌파구라고 생각한다. "이해하지 못하는" 거래자가 적응형 아키텍처로 5계층 NN을 훈련하는 데 시간과 에너지를 소비하는 경우 동일한 결과로 버그가 아니라 통계를 수집하는 것으로 충분합니다(V.I. Lenin이 말했듯이).
이는 VR이 고정되어 있지 않고 비정상 특성에 따라 보정이 결정되는 경우 가능합니다. 그러나 우리는 여전히 수정과는 거리가 멉니다. 샘플 길이가 가중치 수와 NN 입력의 차원에 의존하는 유형은 알 수 없습니다. 직관적으로, 나는 일반적인 형태가 다음과 같을 것이라고 믿습니다: P=4*w, 그리고 이것은 모든 NN 아키텍처에 해당됩니다.
Fedor, 바이너리 VR 예측 문제에 대한 제 "현현"에 대해 무엇을 말할 수 있습니까? 결국, 이 특별한 경우에 VR이 NS만큼 효과적으로 예측 기계(통계 분석)로 사용될 수 있다는 사실은 프로세스의 자원 집약도 측면에서 우리의 손을 완전히 풀어줍니다. 나는 이것이 돌파구라고 생각한다. "이해하지 못하는" 거래자가 적응형 아키텍처로 5계층 NN을 훈련하는 데 시간과 에너지를 소비하는 경우 동일한 결과로 버그가 아니라 통계를 수집하는 것으로 충분합니다(V.I. Lenin이 말했듯이).
Sergey, 이것은 유혹하는 것 이상으로 보인다고 말하겠습니다. 이제 나는 진드기를 사용하고 지금까지 이진 입력이 있는 그리드에 대한 철저한 실험을 피했기 때문에 네트워크 자체에서 다소 멀어졌습니다. 그러나 이제 시간이 확보되었으므로 네트워크에 대한 실험으로 돌아가려고 합니다. 바이너리 입력으로. 그리드 없이도 할 수 있다면 ... 이것은 정말 획기적인 것입니다. 나는 Prival뿐만 아니라 패턴 데이터베이스에 대한 아이디어를 표현한 것을 기억합니다. 이제 통계 모델이 그러한 데이터베이스를 컴파일할 수 있게 해준다면 Expert Advisor는 유치할 정도로 단순하지만 성인 방식으로는 효과적일 것입니다. 그건 그렇고, 그리드에서 완전히 멀어지는 것은 아마도 가치가 없을 것입니다. 그리드가 작업을 변경해야 한다는 것뿐입니다. 다음 보고서를 예측하는 대신 패턴 인식에 참여할 수 있습니다. IMHO 작업이 훨씬 더 유망합니다. 퍼지 논리가 있는 시스템의 범위에 매우 적합합니다. 무슨 말을 합니까?
결국 이진법 입력 데이터의 경우 이 작업은 정적 분석 패턴에 의해 동일한 성공으로 해결될 것입니다. 스스로 판단하세요. 학습하고 최적의 아키텍처를 찾는 데 문제가 없습니다. paralocus가 올바르게 지적했듯이 - "... 전문가는 유치할 정도로 단순하지만 성인 방식으로 효과적일 것입니다"!
이진 입력으로 실험을 시작했는데 한 가지 질문이 있습니다. 이미 한 번 질문했지만 다시 한 번 말씀드리겠습니다.
RT의 첫 번째 차이 시리즈의 부호를 입력에 입력하면 다음 증가분의 enac를 정확히 예측해야 합니다...
아래는 내 단일 레이어의 코드(지금까지 시작했습니다)이며 이 코드에서는 부호가 아니라 OUT에서 사용되는 부호이지만 진폭은 그리드 출력에서 오류로 간주됩니다. 계산 자체. 얼마나 정확합니까? 부호도 오류로 사용되거나 최악의 경우(물론 최악의 경우와는 아무 관련이 없습니다...) 출력에서 해당 부호를 얻기에 충분한 진폭으로 사용되어서는 안 됩니까?
Sergey , 이것은 유혹하는 것 이상으로 보인다고 말하겠습니다. 이제 나는 진드기를 사용하고 지금까지 이진 입력이 있는 그리드에 대한 철저한 실험을 피했기 때문에 네트워크 자체에서 다소 멀어졌습니다. 그러나 이제 시간이 확보되었으므로 네트워크에 대한 실험으로 돌아가려고 합니다. 바이너리 입력으로. 그리드 없이도 할 수 있다면 ... 이것은 정말 획기적인 것입니다. 나는 Prival 을 기억하고 그뿐만 아니라 패턴 데이터베이스에 대한 아이디어를 표현했습니다. 이제 통계 모델이 그러한 데이터베이스를 컴파일할 수 있게 해준다면 Expert Advisor는 유치할 정도로 단순하지만 성인 방식으로는 효과적일 것입니다. 그건 그렇고, 그리드에서 완전히 멀어지는 것은 아마도 가치가 없을 것입니다. 그리드가 작업을 변경해야 한다는 것뿐입니다. 다음 보고서를 예측하는 대신 패턴 인식에 참여할 수 있습니다. IMHO 작업이 훨씬 더 유망합니다. 퍼지 논리가 있는 시스템의 범위에 매우 적합합니다. 무슨 말을 합니까?
Urzhalso :) 똑똑한 삼촌처럼 보이지만 반쯤 움직여보십시오. 이 체계에서 전문가의 입력에는 패턴에 대한 통계가 있는 동일한 데이터베이스가 있어야 합니다. 글쎄, 당신은 거기에 몇 개의 패턴을 넣을 계획입니까?
모두 가능? 행운을 빕니다... :) 그리고 전부가 아니라면 정확히 얼마인가요? 그리고 이 작업이 국회보다 쉬운 이유는 무엇입니까?
전문가, 결국에는 똑똑할 것입니다. 당신은 데이터베이스에서 "진실"과 함께 길을 따라 그것을 제공해야 합니다. 그건 그렇고, 확인하기에 결코 사실이 아닙니다. No Fuzzy는 과거(DB)의 쓰레기통에서 미래의 잼을 뽑아내겠습니다.
// Vapcheta, 정직한 경우 - 확인했습니다. 1년 반 전부터.
// 스키마만 더 우아해졌습니다. 나는 잘 생각하고 창의적으로 다음과 같이 추론했습니다.
// 현재 시제로 할 수 있는 패턴에 대한 결정을 내려야 하는 순간에 기가베이스가 필요합니다.
// 관련 없는 패턴의 x번째 구름??? 나는 오븐에서 지금 현재의 패턴을 가져와 역사를 통해 되돌려 놓는다.
// 그 과정에서 필요한 통계를 수집합니다. 수집 후 - 즉시 사용합니다. 문제의 차원은 x^n에서 감소합니다.
// 횟수, 여기서 n=데이터베이스의 패턴 수. 말.
// 만들어진. 결과를 얻었습니다. 일반적으로
// 비록 그 과정에서 약간의 메타 규칙성을 발견했지만 부정적입니다. 말하지 않겠습니다. 저는 욕심이 많습니다. 왜냐하면
// 명백한 패턴은 아니지만 여전히 볼 필요가 있습니다. 그러니 스스로 똑똑해지세요. 행운을 빕니다. (아이러니 없음)
// 다시 요약하겠습니다. 이 계획에서는 예상한 결과를 얻지 못할 것입니다. 그러나 일부 "사토리"를 잡을 수 있습니다.
// Learning MetaSystem으로서 시장의 특성을 이해하는 데 몇 가지 키를 제공할 수 있습니다. GUD 란 무엇입니까?
이진 입력으로 실험을 시작했는데 한 가지 질문이 있습니다. 이미 한 번 질문했지만 다시 한 번 말씀드리겠습니다.
RT의 첫 번째 차이 시리즈의 부호를 입력에 입력하면 다음 증분의 enac를 정확히 예측해야 합니다...
아래는 내 단일 레이어의 코드(지금까지 시작했습니다)이며 이 코드에서는 부호가 아니라 OUT에서 사용되는 부호이지만 진폭은 그리드 출력에서 오류로 간주됩니다. 계산 자체. 얼마나 정확합니까? 부호도 오류로 사용되거나 최악의 경우(물론 최악의 경우와는 아무 관련이 없습니다...) 출력에서 해당 부호를 얻기에 충분한 진폭으로 사용되어서는 안 됩니까?
여기서 상황은 다음과 같습니다. 바이너리 VR로 전환하는 주된 이유는 NN에 대한 입력을 정규화 및 화이트닝하는 절차의 거부 가능성이며, 가장 중요한 것은 연속 분석 값(무한한 수의 값)에서 전환입니다. 두 개의 값 +/-1만 취하는 이진법으로. 이렇게 하면 컴퓨팅 리소스가 크게 절약됩니다. 네트워크 자체는 ODP 방법에 의해 훈련되며 이를 위해 실수 영역(이산이 아님)에 정의된 오류를 생성하므로 paralocus 가 입력에 +/-1을 제공하면 다음 범위의 값을 얻을 수 있습니다. -1 대 1 10 ^- 8단계. 그리고 네트워크가 훈련을 마칠 때만 예측을 위해 예측된 움직임의 부호를 사용해야 하며 진폭은 정확한 예측의 확률에 비례합니다(진폭은 항상 양수임). 이 확률은 MM 블록에서 추가 분석에 사용할 수 있습니다.
다른 VR 분석 방법과 비교하여 NN의 전체 장점은 "매우 부족한" 입력 데이터 공간에서 다차원 표면의 비분석적(암시적) 구성 가능성에 있습니다. "끌린다"(인용문의 첫 번째 차이). 이진 표현을 사용하는 경우 우리는 다차원 하이퍼 큐브로 퇴화되는 하이퍼 표면을 다루고 있습니다. 이것은 표면이 없지만 결정 격자의 노드가 있는 일종의 수정입니다(매우 비유적인 경우). 우리는 이러한 노드의 좌표를 확실히 알고 식별에 리소스를 사용할 필요가 없습니다. 표면 ... 네트워크가 필요하지 않습니다.
나는 훈련 샘플의 길이가 네트워크 구성(입력 수와 뉴런 수)의 함수일 수는 없다고 생각합니다. 아마도 우리가 네트워크를 훈련시키려는 시리즈의 일부 특성을 고려해야 할 것입니다.
이는 VR이 정지하지 않고 보정이 비정상 특성에 따라 결정되는 경우 가능합니다. 그러나 우리는 여전히 수정과는 거리가 멉니다. 샘플 길이가 가중치 수와 NN 입력의 차원에 의존하는 유형은 알 수 없습니다. 직관적으로 저는 일반적인 형식이 P=4*w 와 같을 것이라고 믿습니다. 이것은 모든 NN 아키텍처에 해당됩니다.
Fedor, 바이너리 VR 예측 문제에 대한 제 "현현"에 대해 무엇을 말할 수 있습니까? 결국, 이 특별한 경우에 VR이 NS만큼 효과적으로 예측 기계(통계 분석)로 사용될 수 있다는 사실은 프로세스의 자원 집약도 측면에서 우리의 손을 완전히 풀어줍니다. 나는 이것이 돌파구라고 생각한다. "이해하지 못하는" 거래자가 적응형 아키텍처로 5계층 NN을 훈련하는 데 시간과 에너지를 소비하는 경우 동일한 결과로 버그가 아니라 통계를 수집하는 것으로 충분합니다(V.I. Lenin이 말했듯이).
로봇과의 전쟁 또는 신경망과의 전쟁
오디오 코스 "주식 분석 소개"("주식 분석 철학") 자료
이는 VR이 고정되어 있지 않고 비정상 특성에 따라 보정이 결정되는 경우 가능합니다. 그러나 우리는 여전히 수정과는 거리가 멉니다. 샘플 길이가 가중치 수와 NN 입력의 차원에 의존하는 유형은 알 수 없습니다. 직관적으로, 나는 일반적인 형태가 다음과 같을 것이라고 믿습니다: P=4*w, 그리고 이것은 모든 NN 아키텍처에 해당됩니다.
Fedor, 바이너리 VR 예측 문제에 대한 제 "현현"에 대해 무엇을 말할 수 있습니까? 결국, 이 특별한 경우에 VR이 NS만큼 효과적으로 예측 기계(통계 분석)로 사용될 수 있다는 사실은 프로세스의 자원 집약도 측면에서 우리의 손을 완전히 풀어줍니다. 나는 이것이 돌파구라고 생각한다. "이해하지 못하는" 거래자가 적응형 아키텍처로 5계층 NN을 훈련하는 데 시간과 에너지를 소비하는 경우 동일한 결과로 버그가 아니라 통계를 수집하는 것으로 충분합니다(V.I. Lenin이 말했듯이).
Sergey, 이것은 유혹하는 것 이상으로 보인다고 말하겠습니다. 이제 나는 진드기를 사용하고 지금까지 이진 입력이 있는 그리드에 대한 철저한 실험을 피했기 때문에 네트워크 자체에서 다소 멀어졌습니다. 그러나 이제 시간이 확보되었으므로 네트워크에 대한 실험으로 돌아가려고 합니다. 바이너리 입력으로. 그리드 없이도 할 수 있다면 ... 이것은 정말 획기적인 것입니다. 나는 Prival뿐만 아니라 패턴 데이터베이스에 대한 아이디어를 표현한 것을 기억합니다. 이제 통계 모델이 그러한 데이터베이스를 컴파일할 수 있게 해준다면 Expert Advisor는 유치할 정도로 단순하지만 성인 방식으로는 효과적일 것입니다. 그건 그렇고, 그리드에서 완전히 멀어지는 것은 아마도 가치가 없을 것입니다. 그리드가 작업을 변경해야 한다는 것뿐입니다. 다음 보고서를 예측하는 대신 패턴 인식에 참여할 수 있습니다. IMHO 작업이 훨씬 더 유망합니다. 퍼지 논리가 있는 시스템의 범위에 매우 적합합니다. 무슨 말을 합니까?
... 통계 분석을 예측 기계로 사용하기 위해 프로세스의 리소스 집약도 측면에서 우리의 손을 완전히 분리합니다. 획기적인 것 같아요...
이것을 사용하지 않는 이유:
- 엉덩이. 규칙 또는
- 코혼넨?
그들은 동일한 확률과 지원을 제공합니다.
여기 깡통이 있습니다! 오랫동안 여기에 있지 않았습니다. 벌써 90페이지네요. :) 그리드를 만들어보면 이해가 가네요. :)
이것을 사용하지 않는 이유:
- 엉덩이. 규칙 또는
- 코혼넨?
그들은 동일한 확률과 지원을 제공합니다.
무엇 때문에?!
결국 이진법 입력 데이터의 경우 이 작업은 정적 분석 패턴에 의해 동일한 성공으로 해결될 것입니다. 스스로 판단하세요. 학습하고 최적의 아키텍처를 찾는 데 문제가 없습니다. paralocus가 올바르게 지적했듯이 - "... 전문가는 유치할 정도로 단순하지만 성인 방식으로 효과적일 것입니다"!
이진 입력으로 실험을 시작했는데 한 가지 질문이 있습니다. 이미 한 번 질문했지만 다시 한 번 말씀드리겠습니다.
RT의 첫 번째 차이 시리즈의 부호를 입력에 입력하면 다음 증가분의 enac를 정확히 예측해야 합니다...
아래는 내 단일 레이어의 코드(지금까지 시작했습니다)이며 이 코드에서는 부호가 아니라 OUT에서 사용되는 부호이지만 진폭은 그리드 출력에서 오류로 간주됩니다. 계산 자체. 얼마나 정확합니까? 부호도 오류로 사용되거나 최악의 경우(물론 최악의 경우와는 아무 관련이 없습니다...) 출력에서 해당 부호를 얻기에 충분한 진폭으로 사용되어서는 안 됩니까?
Sergey , 이것은 유혹하는 것 이상으로 보인다고 말하겠습니다. 이제 나는 진드기를 사용하고 지금까지 이진 입력이 있는 그리드에 대한 철저한 실험을 피했기 때문에 네트워크 자체에서 다소 멀어졌습니다. 그러나 이제 시간이 확보되었으므로 네트워크에 대한 실험으로 돌아가려고 합니다. 바이너리 입력으로. 그리드 없이도 할 수 있다면 ... 이것은 정말 획기적인 것입니다. 나는 Prival 을 기억하고 그뿐만 아니라 패턴 데이터베이스에 대한 아이디어를 표현했습니다. 이제 통계 모델이 그러한 데이터베이스를 컴파일할 수 있게 해준다면 Expert Advisor는 유치할 정도로 단순하지만 성인 방식으로는 효과적일 것입니다. 그건 그렇고, 그리드에서 완전히 멀어지는 것은 아마도 가치가 없을 것입니다. 그리드가 작업을 변경해야 한다는 것뿐입니다. 다음 보고서를 예측하는 대신 패턴 인식에 참여할 수 있습니다. IMHO 작업이 훨씬 더 유망합니다. 퍼지 논리가 있는 시스템의 범위에 매우 적합합니다. 무슨 말을 합니까?
Urzhalso :) 똑똑한 삼촌처럼 보이지만 반쯤 움직여보십시오. 이 체계에서 전문가의 입력에는 패턴에 대한 통계가 있는 동일한 데이터베이스가 있어야 합니다. 글쎄, 당신은 거기에 몇 개의 패턴을 넣을 계획입니까?
모두 가능? 행운을 빕니다... :) 그리고 전부가 아니라면 정확히 얼마인가요? 그리고 이 작업이 국회보다 쉬운 이유는 무엇입니까?
전문가, 결국에는 똑똑할 것입니다. 당신은 데이터베이스에서 "진실"과 함께 길을 따라 그것을 제공해야 합니다. 그건 그렇고, 확인하기에 결코 사실이 아닙니다. No Fuzzy는 과거(DB)의 쓰레기통에서 미래의 잼을 뽑아내겠습니다.
// Vapcheta, 정직한 경우 - 확인했습니다. 1년 반 전부터.
// 스키마만 더 우아해졌습니다. 나는 잘 생각하고 창의적으로 다음과 같이 추론했습니다.
// 현재 시제로 할 수 있는 패턴에 대한 결정을 내려야 하는 순간에 기가베이스가 필요합니다.
// 관련 없는 패턴의 x번째 구름??? 나는 오븐에서 지금 현재의 패턴을 가져와 역사를 통해 되돌려 놓는다.
// 그 과정에서 필요한 통계를 수집합니다. 수집 후 - 즉시 사용합니다. 문제의 차원은 x^n에서 감소합니다.
// 횟수, 여기서 n=데이터베이스의 패턴 수. 말.
// 만들어진. 결과를 얻었습니다. 일반적으로
// 비록 그 과정에서 약간의 메타 규칙성을 발견했지만 부정적입니다. 말하지 않겠습니다. 저는 욕심이 많습니다. 왜냐하면
// 명백한 패턴은 아니지만 여전히 볼 필요가 있습니다. 그러니 스스로 똑똑해지세요. 행운을 빕니다. (아이러니 없음)
// 다시 요약하겠습니다. 이 계획에서는 예상한 결과를 얻지 못할 것입니다. 그러나 일부 "사토리"를 잡을 수 있습니다.
// Learning MetaSystem으로서 시장의 특성을 이해하는 데 몇 가지 키를 제공할 수 있습니다. GUD 란 무엇입니까?
우르자도:)
어쩌면 서둘러? 웃어라, 카우보이들이라, 마지막에 웃는 자가...
여기에는 큰 데이터베이스가 필요하지 않은 것 같습니다. 100-1.5 패턴의 강도와 가장 가능성이 적습니다. 결국, 당신은 촛불로 시스템을 운전했습니다 ...
이진 입력으로 실험을 시작했는데 한 가지 질문이 있습니다. 이미 한 번 질문했지만 다시 한 번 말씀드리겠습니다.
RT의 첫 번째 차이 시리즈의 부호를 입력에 입력하면 다음 증분의 enac를 정확히 예측해야 합니다...
아래는 내 단일 레이어의 코드(지금까지 시작했습니다)이며 이 코드에서는 부호가 아니라 OUT에서 사용되는 부호이지만 진폭은 그리드 출력에서 오류로 간주됩니다. 계산 자체. 얼마나 정확합니까? 부호도 오류로 사용되거나 최악의 경우(물론 최악의 경우와는 아무 관련이 없습니다...) 출력에서 해당 부호를 얻기에 충분한 진폭으로 사용되어서는 안 됩니까?
여기서 상황은 다음과 같습니다. 바이너리 VR로 전환하는 주된 이유는 NN에 대한 입력을 정규화 및 화이트닝하는 절차의 거부 가능성이며, 가장 중요한 것은 연속 분석 값(무한한 수의 값)에서 전환입니다. 두 개의 값 +/-1만 취하는 이진법으로. 이렇게 하면 컴퓨팅 리소스가 크게 절약됩니다. 네트워크 자체는 ODP 방법에 의해 훈련되며 이를 위해 실수 영역(이산이 아님)에 정의된 오류를 생성하므로 paralocus 가 입력에 +/-1을 제공하면 다음 범위의 값을 얻을 수 있습니다. -1 대 1 10 ^- 8단계. 그리고 네트워크가 훈련을 마칠 때만 예측을 위해 예측된 움직임의 부호를 사용해야 하며 진폭은 정확한 예측의 확률에 비례합니다(진폭은 항상 양수임). 이 확률은 MM 블록에서 추가 분석에 사용할 수 있습니다.
다른 VR 분석 방법과 비교하여 NN의 전체 장점은 "매우 부족한" 입력 데이터 공간에서 다차원 표면의 비분석적(암시적) 구성 가능성에 있습니다. "끌린다"(인용문의 첫 번째 차이). 이진 표현을 사용하는 경우 우리는 다차원 하이퍼 큐브로 퇴화되는 하이퍼 표면을 다루고 있습니다. 이것은 표면이 없지만 결정 격자의 노드가 있는 일종의 수정입니다(매우 비유적인 경우). 우리는 이러한 노드의 좌표를 확실히 알고 식별에 리소스를 사용할 필요가 없습니다. 표면 ... 네트워크가 필요하지 않습니다.