머신 러닝 리포지토리 다음은 표준 작업에 대한 링크입니다. 그들은 일반적으로 다양한 알고리즘, 전처리 방법 등을 테스트합니다. 또한 이에 대해 연습하고, 네트워크 사용 방법을 배우고, "NN을 사용한 예측 또는 분류란 무엇인가", 보다 정확하게는 신경망에서 예상할 수 있는 오류 등을 눈으로 확인할 수 있습니다. 작업에 대한 설명은 위의 같은 위치에 있습니다 ... 다음은 하나의 작업(OptDigits)을 선택한 작은 예입니다. 입력 값: 00000000000001100111100000000000 0000000000011111111111111000000 0000000001111111111111111110000 0000000001111111111111111110000 0000000001111111101000001100000 0000000001111110000000000000000 00000000111100000000000000000000 0000000111110000000000000000000 00000001111100011110000000000000 00000001111100011111000000000000 0000000111111111111111000000000 0000000111111111111111000000000 00000001111111111111111110000000 00000001111111111111111100000000 00000001111111100011111110000000 00000001111110000001111110000000 00000001111100000000111110000000 00000001111000000000111110000000 000000000000000000000001111000000 000000000000000000000001111000000 00000000000000000000011110000000 00000000000000000000011110000000 000000000000000000000111110000000 000000000000000000001111100000000 00000000001110000001111100000000 00000000001110000011111100000000 00000000001111101111111000000000 00000000011111111111100000000000 00000000011111111111000000000000 00000000011111111110000000000000 00000000001111111000000000000000 0000000000001000000000000000000
첫 번째 그림에 표시된 분포에서 얻고 싶다고 가정 해 봅시다. - 상수는 1과 같습니다. 그러면 다음 ID를 얻는 것이 어렵지 않습니다.
여기서 f(x)는 균일하게 이동하려는 확률 밀도이고 g(x)는 "선반"을 얻기 위해 입력 데이터를 곱해야 하는 특정 함수입니다. 다음은 무엇입니까? 이 미분방정식을 풀려면... 방법을 모르겠습니다.
더 살펴보겠습니다.
지금은 세그먼트에 대해 침묵을 지키자. 이전이 아니라. 여기서 주장하는 것은 무엇입니까? 말 그대로 분포 함수 F(x)(오른쪽 그림)가 있는 경우 탐나는 "선반"을 얻는 데 비용이 들지 않습니다. 이 연산자를 사용하여 입력 데이터에 영향을 주기에 충분합니다. 하지만 이것은 넌센스입니다! 제 생각에는 원본에서 균일한 분포를 얻는 것은 불가능합니다. 요컨대, 여기 누가 실제 수학과 친구입니다. 아아!
지금은 세그먼트에 대해 침묵을 지키자. 이전이 아니라. 여기서 주장하는 것은 무엇입니까? 말 그대로 분포 함수 F(x)(오른쪽 그림)가 있는 경우 탐나는 "선반"을 얻는 데 비용이 들지 않습니다. 이 연산자를 사용하여 입력 데이터에 영향을 주기에 충분합니다. 하지만 이것은 넌센스입니다! 제 생각에는 원본에서 균일한 분포를 얻는 것은 불가능합니다. 요컨대, 여기 누가 실제 수학과 친구입니다. 아아!
맞아요, 세르게이 , 맞아요. 이 말도 안되는 소리를 확인하고 확인하십시오(또는 더 나은 방법은 왜 그런지 이해하려고 노력하십시오). 정규 분포 값을 생성하고 가우스 함수(적분)를 사용하여 작업합니다. 이 두 함수(적분 분포 법칙과 두 번째 함수)가 절대적으로 동일한지 확인하는 것을 잊지 마십시오.
추신 그리고 분포 밀도와 파생 상품을 다루지 마십시오. 왜 그것들이 필요합니까? 측면만 봐도 똑같습니다.
PPS Sergey , 결국 나 자신은 적분 가우스의 역함수인 첫 번째 함수에 작용하는 균일한 값에서 정규 분포 값을 받았습니다. 그리고 이제 우리는 계산을 취하고 뒤집습니다 ...
알겠습니다. 이 스레드를 놓쳤습니다. 찾아보면 어딘가에 저장되어 있을지도 몰라요. 나는 Tikhonov의 수학을 버렸습니다. 그는 주어진 값(예제 포함)에서 다음 값의 필수 ZR을 얻는 방법을 가지고 있지만 모든 사람에게 해당되는 것은 아닌 것 같습니다. 역함수를 계산해야 하는데... 이유가 기억나지 않는다.
좋아, Sergey , 천천히 그리고 슬프게 가자. 먼저 일반 정리를 다루겠습니다. 여기 stylko 가 있습니다 . 정리 24, 25, 26을 참조하십시오.
주의: Th 24에서는 분포 밀도 함수에 대해 이야기하고 있습니다.
그러나 Th 25는 사용자가 필요로 하는 것을 정확히 수행하며, 분배 기능에 관한 것입니다.
재미를 위해 Th 26의 추론 8도 보십시오. 추론의 세 번째 공식은 제가 균일한 공식에서 가우시안을 얻고 싶었을 때 정확히 말했던 것입니다.
그리고 지수 분포의 경우 분포 함수(적분)를 신중하게 구하고 Th 25를 적용하기만 하면 됩니다.
감사합니다 한번 볼게요
보았다 - 당신이 필요로하는 것! 나는 공부할 것이다.
"아키텍처가 임의로 확장"한다는 것은 무엇을 의미합니까? 내가 이해하는 한 아키텍처는 네트워크의 구조입니다. 그리고 스케일링은 일부 데이터 정규화 기능을 사용하는 것입니다. 100개 항목은 많습니다. 아니면 당신의 100은 다른 무엇입니까?
내 네트워크는 24시간마다 재교육됩니다. 이게 플러스인지 마이너스인지 모르겠네요. 하지만 펑크까지.
감독자.:)
머신 러닝 리포지토리
다음은 표준 작업에 대한 링크입니다. 그들은 일반적으로 다양한 알고리즘, 전처리 방법 등을 테스트합니다.
또한 이에 대해 연습하고, 네트워크 사용 방법을 배우고, "NN을 사용한 예측 또는 분류란 무엇인가", 보다 정확하게는 신경망에서 예상할 수 있는 오류 등을 눈으로 확인할 수 있습니다.
작업에 대한 설명은 위의 같은 위치에 있습니다 ...
다음은 하나의 작업(OptDigits)을 선택한 작은 예입니다.
입력 값:
00000000000001100111100000000000
0000000000011111111111111000000
0000000001111111111111111110000
0000000001111111111111111110000
0000000001111111101000001100000
0000000001111110000000000000000
00000000111100000000000000000000
0000000111110000000000000000000
00000001111100011110000000000000
00000001111100011111000000000000
0000000111111111111111000000000
0000000111111111111111000000000
00000001111111111111111110000000
00000001111111111111111100000000
00000001111111100011111110000000
00000001111110000001111110000000
00000001111100000000111110000000
00000001111000000000111110000000
000000000000000000000001111000000
000000000000000000000001111000000
00000000000000000000011110000000
00000000000000000000011110000000
000000000000000000000111110000000
000000000000000000001111100000000
00000000001110000001111100000000
00000000001110000011111100000000
00000000001111101111111000000000
00000000011111111111100000000000
00000000011111111111000000000000
00000000011111111110000000000000
00000000001111111000000000000000
0000000000001000000000000000000
출력: 5
여기 stylko 가 있습니다 . 정리 24, 25, 26을 참조하십시오.
니아실릴.
우리는 본다. 왼쪽은 EURUSD 분봉의 시가에 대한 확률 밀도이고, 오른쪽은 분포 함수입니다.
이제 stsylko 에서 :
첫 번째 그림에 표시된 분포에서 얻고 싶다고 가정 해 봅시다. - 상수는 1과 같습니다. 그러면 다음 ID를 얻는 것이 어렵지 않습니다.
더 살펴보겠습니다.
지금은 세그먼트에 대해 침묵을 지키자. 이전이 아니라. 여기서 주장하는 것은 무엇입니까? 말 그대로 분포 함수 F(x)(오른쪽 그림)가 있는 경우 탐나는 "선반"을 얻는 데 비용이 들지 않습니다. 이 연산자를 사용하여 입력 데이터에 영향을 주기에 충분합니다. 하지만 이것은 넌센스입니다! 제 생각에는 원본에서 균일한 분포를 얻는 것은 불가능합니다. 요컨대, 여기 누가 실제 수학과 친구입니다. 아아!
지금은 세그먼트에 대해 침묵을 지키자. 이전이 아니라. 여기서 주장하는 것은 무엇입니까? 말 그대로 분포 함수 F(x)(오른쪽 그림)가 있는 경우 탐나는 "선반"을 얻는 데 비용이 들지 않습니다. 이 연산자를 사용하여 입력 데이터에 영향을 주기에 충분합니다. 하지만 이것은 넌센스입니다! 제 생각에는 원본에서 균일한 분포를 얻는 것은 불가능합니다. 요컨대, 여기 누가 실제 수학과 친구입니다. 아아!
맞아요, 세르게이 , 맞아요. 이 말도 안되는 소리를 확인하고 확인하십시오(또는 더 나은 방법은 왜 그런지 이해하려고 노력하십시오). 정규 분포 값을 생성하고 가우스 함수(적분)를 사용하여 작업합니다. 이 두 함수(적분 분포 법칙과 두 번째 함수)가 절대적으로 동일한지 확인하는 것을 잊지 마십시오.
추신 그리고 분포 밀도와 파생 상품을 다루지 마십시오. 왜 그것들이 필요합니까? 측면만 봐도 똑같습니다.
PPS Sergey , 결국 나 자신은 적분 가우스의 역함수인 첫 번째 함수에 작용하는 균일한 값에서 정규 분포 값을 받았습니다. 그리고 이제 우리는 계산을 취하고 뒤집습니다 ...
공포 드디어 여기서 뭐하는거야 ... 내 불쌍한 Muscovite ...
추신: 그건 그렇고, 나는 오랫동안 묻고 싶었습니다. 왜 우리는 가격 함수가 연속적이라고 생각해야 합니까? 분리형이라면?
자, 여기, Sergey, Mathemat 는 지금 내가 당신에게 쓴 내용을 말하고 있습니다. 이제 이것을 확인하려고 합니다.
다음은 구축된 분포 함수입니다(경험적으로).
그런 다음 우리는 이론적인 것을 만듭니다. (정확히 불렀는지 기억이 안나요?) 공식에 따라 (1 / ROOT (6,2828)) * EXP (-ABS (POWER (A1; 2) / 2))
연한 녹색은 파란색과 완벽하게 유사해야 합니다. 그런 다음 일체형의 도움으로 이상적인 "선반"을 얻을 수 있습니다 ...
다음은 적분(Sigmoid!!!)의 보기입니다.
나는 문제를 다음과 같이 봅니다. 이론적인 도움을 받아 경험적 분포 함수(모름) 계수의 도움으로 근사화할 필요가 있습니다. 그런 다음 이러한 계수 sigmoid에 대입하고 sigmoid를 통해 데이터를 전달한 후에는 균일한 분포만 있을 것입니다.
Alexei , 내가 일반적으로 옳습니까? 이것에 대해 말씀해 주시겠습니까?
자, 여기, Sergey, Mathemat 는 지금 내가 당신에게 쓴 내용을 말하고 있습니다. 이제 이것을 확인하려고 합니다.
확인합시다.
다음은 구축된 분포 함수입니다(경험적으로).
아니요, 분포 함수가 아니라 확률 밀도입니다( Aleksey의 링크 참조).
연한 녹색은 파란색과 완벽하게 유사해야 합니다. 그런 다음 일체형의 도움으로 이상적인 "선반"을 얻을 수 있습니다 ...
다음은 적분(Sigmoid!!!)의 보기입니다.
정확한 시그모이드가 아닙니다. 가변 상한선이 있는 가우시안의 적분입니다. erf(x)는 표로 작성된 함수입니다.
나는 문제를 다음과 같이 봅니다. 이론적인 도움을 받아 경험적 분포 함수(모름) 계수의 도움으로 근사화할 필요가 있습니다. 그런 다음 이러한 계수 sigmoid에 대입하고 sigmoid를 통해 데이터를 전달한 후에는 균일한 분포만 있을 것입니다.
근사화에는 문제가 없으며, 결과 분포 함수 erf(x) 로 무엇을 해야 할지 명확하지 않을 때 나중에 시작됩니다. 나는 위에서 이것에 대해 이야기했다.
네 맞아요 정의(분포/분포밀도)가 틀렸습니다...
erf()로 무엇을 해야할지 - 모르겠습니다.
다음은 일반적인 시그모이드와 그 파생물입니다. 왜 시그모이드인가? - 단순히 시그모이드가 erf(x)가 아니기 때문입니다. :)
이제 데이터를 가져와 경험적인 데이터를 만들고 밀도가 일치하도록 계수 A와 B를 선택합니다. 그래프도 적분입니다.
이제 발견된 계수를 적분에 대입하고 계산합니다.
다음과 같은 일이 발생합니다.
이제 이 모든 것은 이론적으로 말하자면, 이론적으로 "녹아웃"되어야 합니다. 왜냐하면 저는 이론적 지식의 도움보다는 직관에 의해 더 많이 수행했기 때문입니다.
모든 감정가에게 질문 - 계수를 찾는 방법. A와 B? A와 B가 필요 없을 수도 있고, 녹음 유통법 등 다른 형태가 있나요?
아니면 모든 것이 헛소리이고 당신이 그것을 할 수 없습니까?