즉, 여기에서 논의하는 것은 쓸모가 없습니다. 실제로 밝혀졌습니다. 저는 개인적으로 Forex에서 뉴런을 사용하지 않았고 다른 문제에 대해 다루었습니다. 나는 물론, 말하자면 거래에서 맛보고 싶지만 아직 시간이 없습니다. 따라서 Forex에 관해서는 아직 아무 말도 할 수 없습니다. 네트워크 교육은 매우 복잡한 작업입니다. 네트워크를 과도하게 훈련시키고 과소 훈련시키도록 할 수 있습니다. 즉, 물론 질적 일반화를 찾기가 어려운 경우가 많습니다. 여러 실험을 수행하고 은닉층의 뉴런 수를 늘리고 크기를 늘려야 합니다. 자체를 샘플링하고 네트워크가 어떻게 얕은 로컬 최소값으로 날아가는지 관찰하고 거기에서 빼내려고 합니다. 그리고 이 모든 후에는 아무 일도 일어나지 않을 수 있습니다. 일반적으로 실제로 많은 어려움이 있습니다.
NS는 금융 시장에서 이익을 추출하는 가장 쉬운 도구는 아니지만 유능한 손에서는 잘 작동합니다.
나는 거기에 있었고 종종 euroflude에서 놀았습니다. 나는 신경망을 기반으로 하지 않는 나만의 예측 시스템을 가지고 있습니다. 사실, 신경망은 단순히 흥미로운 주제입니다. 나는 내가 말했듯이, 이 모든 프로그래밍을 할 시간이 아직 없습니다. 특히 나는 내 시스템에 만족하기 때문에. 복잡성은 이 전체 신경망의 설정에 있습니다. 내가 말했듯이, 배우는 데 너무 오래 걸립니다. 그래디언트 최적화 방법 이외의 다른 것을 적용합니다.
registred писал(а)>> 네트워크를 배우는 것은 매우 복잡한 일입니다. 네트워크를 과도하게 훈련시키고 과소 훈련시키도록 할 수 있습니다. 즉, 물론 질적 일반화를 찾기가 어려운 경우가 많습니다. 여러 실험을 수행하고 은닉층의 뉴런 수를 늘리고 크기를 늘려야 합니다. 자체를 샘플링하고 네트워크가 어떻게 얕은 로컬 최소값으로 날아가는지 관찰하고 거기에서 빼내려고 합니다. 그리고 이 모든 후에는 아무 일도 일어나지 않을 수 있습니다. 일반적으로 실제로 많은 어려움이 있습니다.
이것은 사실상 신경망의 기본 사항입니다. 이 문제를 제기하려고 했지만 알고 보니 관심을 갖는 사람은 거의 없습니다. 저는 신경망의 아키텍처와 정교함에 더 관심이 있습니다. 비록 바로 이 문제가 해결된 지 오래고 결과적으로 이를 추구하는 것은 말이 되지 않지만. 은닉층의 뉴런이 증가하면 샘플 크기를 늘려야 합니다. 샘플 크기가 증가하면 네트워크가 이해할 수 없는 더 큰 과거 샘플에 대한 규칙이 너무 많기 때문에 네트워크가 언더트레이닝됩니다. 그리고 배웁니다. 결과적으로, 그것을 꺼내는 것이 비현실적인 특정 로컬 최소값으로 날아갑니다. 이것은 오버트레이닝 또는 언더트레이닝입니다. 오버트레이닝에 가깝습니다. 결과적으로 뉴런 수의 증가는 미래의 신경망 작업에 부정적인 영향을 미칩니다.
이것은 사실상 신경망의 기본 사항입니다. 이 문제를 제기하려고 했지만 알고 보니 관심을 갖는 사람은 거의 없습니다. 저는 신경망의 아키텍처와 정교함에 더 관심이 있습니다. 비록 바로 이 문제가 해결된 지 오래고 결과적으로 이를 추구하는 것은 말이 되지 않지만. 은닉층의 뉴런이 증가하면 샘플 크기를 늘려야 합니다. 샘플 크기가 증가하면 네트워크가 이해할 수 없는 더 큰 과거 샘플에 대한 규칙이 너무 많기 때문에 네트워크가 언더트레이닝됩니다. 그리고 배웁니다. 결과적으로, 그것을 꺼내는 것이 비현실적인 특정 로컬 최소값으로 날아갑니다. 이것은 오버트레이닝 또는 언더트레이닝입니다. 오버트레이닝에 가깝습니다. 결과적으로 뉴런 수의 증가는 미래의 신경망 작업에 부정적인 영향을 미칩니다.
경험이 풍부한 실무자로서 한계에 다다랐습니까? 훈련 샘플의 최적 크기, 네트워크 입력의 구조 및 수는 얼마라고 생각하십니까?
이것은 사실상 신경망의 기본 사항입니다. 이 문제를 제기하려고 했지만 알고 보니 관심을 갖는 사람은 거의 없습니다. 저는 신경망의 아키텍처와 정교함에 더 관심이 있습니다. 비록 바로 이 문제가 해결된 지 오래고 결과적으로 이를 추구하는 것은 말이 되지 않지만. 은닉층의 뉴런이 증가하면 샘플 크기를 늘려야 합니다. 샘플 크기가 증가하면 네트워크가 이해할 수 없는 더 큰 과거 샘플에 대한 규칙이 너무 많기 때문에 네트워크가 언더트레이닝됩니다. 그리고 배웁니다. 결과적으로, 그것을 꺼내는 것이 비현실적인 특정 로컬 최소값으로 날아갑니다. 이것은 오버트레이닝 또는 언더트레이닝입니다. 오버트레이닝에 가깝습니다. 결과적으로 뉴런 수의 증가는 미래의 신경망 작업에 부정적인 영향을 미칩니다.
네트워크는 거의 항상 로컬 최소값을 찾으며 일반적으로 문제를 해결하는 데 충분히 깊고 최소한으로 필요합니다. 은닉층의 경우 모든 것이 입력 매개변수의 차원에 따라 달라지며, 이는 실제로 해결되는 문제의 복잡성을 나타냅니다. 저것들. 은닉층에 뉴런이 충분하지 않거나 주어진 입력 차원에 대한 예제가 충분하지 않을 수 있습니다. 한마디로 필요한 일반화 오차에 도달할 때까지 은닉층의 뉴런 수를 첫 번째 뉴런부터 점진적으로 늘리는 등 테스트를 수행해야 합니다.
예를 들어 y(x)=F(x)와 같은 일부 매개변수 종속성이 있다고 가정합니다. 여기서 이 종속성 F 의 일반적인 형태는 알려지지 않고 가격 계열, 보다 정확하게는 예상 가격의 종속성을 생성합니다. 일부 지표를 읽을 때 증가합니다. 이 상황에서 우리는 종속성이 예를 들어 선형이라고 가정할 수 있으며 가격 증분 y[i] 와 표시기 x[i] 의 여러 이전 값을 알면 최적을 찾는 문제를 쉽게 해결할 수 있습니다 (가장 작은 편차의 의미에서) 1차 다항식에 의한 선형 근사 미지수 법칙 Fy(x)=а*x+b. 그런 다음 계수 a 와 b 는 최소 자승법으로 검색되며 다음과 같습니다.
더 나아가 2차 y(x)=а2*x^2+a1*x+a0 또는 n -th의 다항식을 사용하여 미지의 종속성(법칙)을 근사할 수 있습니다! 그러나 이 모든 것은 하나의 변수 또는 우리의 경우 하나의 지표의 함수에 대한 것입니다... 두 개의 지표를 사용한다고 가정하면 입력 데이터를 평면으로 근사하기 위한 분석 솔루션을 얻는 것이 이미 더 어렵습니다( 두 변수의 함수), 그리고 다항식의 차수가 증가하는 경우 F(x1,x2) 에 가장 가까운 n 차 표면에 대한 분석 표현식을 더 이상 찾을 수 없습니다. 반면에 이 문제는 두 개의 입력 x1,x2 , 하나의 은닉층 및 충분한 수의 뉴런이 있는 신경망으로 쉽게 해결됩니다. 또한 입력 수를 10-20으로 늘리고 10-20차원 기능 공간 에서 임의의 차수 초표면을 손에 넣습니다. 꿈입니다!
사실, 우리 주변의 세계에 대한 우리의 인식은 동일한 원칙에 기반을 두고 있습니다. 우리는 무의식적으로 우리의 경험인 현실을 최적으로 반영하는 일종의 초면을 머리 속에 구축합니다. 이러한 가상 시트 표면의 각 점은 항상 정확하지는 않지만 거의 항상 최적인 주어진 생활 상황에서 우리가 내린 책임 있는 결정입니다 ...
그래서! 뭔가가 날 잡았어. 요컨대, 가격 분석을 위해 Neuronka보다 더 나은 것을 생각해내는 것은 내부 정보를 제외하고는 불가능하지는 않지만 어렵습니다.
... 뭐, 아무도 Forex에서 신경망 문제를 해결하지 못했습니까?
왜 아무도?
누가 결정하면 그는 침묵합니다 :)
하나.
2.
그리고 나머지는 단백질 뉴런과 함께 작동해야 합니다 :(
왜 아무도?
누가 결정하면 그는 침묵합니다 :)
하나.
2.
그리고 나머지는 단백질 뉴런과 함께 작동해야 합니다 :(
즉, 여기에서 논의하는 것은 쓸모가 없습니다. 실제로 밝혀졌습니다. 저는 개인적으로 Forex에서 뉴런을 사용하지 않았고 다른 문제에 대해 다루었습니다. 나는 물론, 말하자면 거래에서 맛보고 싶지만 아직 시간이 없습니다. 따라서 Forex에 관해서는 아직 아무 말도 할 수 없습니다. 네트워크 교육은 매우 복잡한 작업입니다. 네트워크를 과도하게 훈련시키고 과소 훈련시키도록 할 수 있습니다. 즉, 물론 질적 일반화를 찾기가 어려운 경우가 많습니다. 여러 실험을 수행하고 은닉층의 뉴런 수를 늘리고 크기를 늘려야 합니다. 자체를 샘플링하고 네트워크가 어떻게 얕은 로컬 최소값으로 날아가는지 관찰하고 거기에서 빼내려고 합니다. 그리고 이 모든 후에는 아무 일도 일어나지 않을 수 있습니다. 일반적으로 실제로 많은 어려움이 있습니다.
즉, 여기서 논의하는 것은 쓸모가 없으며 실제로는 ...
위의 내 게시물에서 1번과 2번 아래에 답변으로 판단하면 가지 않은 링크가 있습니다.
저는 그곳에서 신경망 고문을 거래합니다.
NS는 금융 시장에서 이익을 추출하는 가장 쉬운 도구는 아니지만 유능한 손에서는 잘 작동합니다.
위의 내 게시물에서 1번과 2번 아래에 답변으로 판단하면 가지 않은 링크가 있습니다.
저는 그곳에서 신경망 고문을 거래합니다.
NS는 금융 시장에서 이익을 추출하는 가장 쉬운 도구는 아니지만 유능한 손에서는 잘 작동합니다.
나는 거기에 있었고 종종 euroflude에서 놀았습니다. 나는 신경망을 기반으로 하지 않는 나만의 예측 시스템을 가지고 있습니다. 사실, 신경망은 단순히 흥미로운 주제입니다. 나는 내가 말했듯이, 이 모든 프로그래밍을 할 시간이 아직 없습니다. 특히 나는 내 시스템에 만족하기 때문에. 복잡성은 이 전체 신경망의 설정에 있습니다. 내가 말했듯이, 배우는 데 너무 오래 걸립니다. 그래디언트 최적화 방법 이외의 다른 것을 적용합니다.
그래디언트 최적화 방법 이외의 다른 것을 적용합니다.
비밀이 아니라면 무엇입니까?
이것은 사실상 신경망의 기본 사항입니다. 이 문제를 제기하려고 했지만 알고 보니 관심을 갖는 사람은 거의 없습니다. 저는 신경망의 아키텍처와 정교함에 더 관심이 있습니다. 비록 바로 이 문제가 해결된 지 오래고 결과적으로 이를 추구하는 것은 말이 되지 않지만. 은닉층의 뉴런이 증가하면 샘플 크기를 늘려야 합니다. 샘플 크기가 증가하면 네트워크가 이해할 수 없는 더 큰 과거 샘플에 대한 규칙이 너무 많기 때문에 네트워크가 언더트레이닝됩니다. 그리고 배웁니다. 결과적으로, 그것을 꺼내는 것이 비현실적인 특정 로컬 최소값으로 날아갑니다. 이것은 오버트레이닝 또는 언더트레이닝입니다. 오버트레이닝에 가깝습니다. 결과적으로 뉴런 수의 증가는 미래의 신경망 작업에 부정적인 영향을 미칩니다.
이것은 사실상 신경망의 기본 사항입니다. 이 문제를 제기하려고 했지만 알고 보니 관심을 갖는 사람은 거의 없습니다. 저는 신경망의 아키텍처와 정교함에 더 관심이 있습니다. 비록 바로 이 문제가 해결된 지 오래고 결과적으로 이를 추구하는 것은 말이 되지 않지만. 은닉층의 뉴런이 증가하면 샘플 크기를 늘려야 합니다. 샘플 크기가 증가하면 네트워크가 이해할 수 없는 더 큰 과거 샘플에 대한 규칙이 너무 많기 때문에 네트워크가 언더트레이닝됩니다. 그리고 배웁니다. 결과적으로, 그것을 꺼내는 것이 비현실적인 특정 로컬 최소값으로 날아갑니다. 이것은 오버트레이닝 또는 언더트레이닝입니다. 오버트레이닝에 가깝습니다. 결과적으로 뉴런 수의 증가는 미래의 신경망 작업에 부정적인 영향을 미칩니다.
경험이 풍부한 실무자로서 한계에 다다랐습니까? 훈련 샘플의 최적 크기, 네트워크 입력의 구조 및 수는 얼마라고 생각하십니까?
비밀이 아니라면 무엇입니까?
신경망을 사용하면 핵 근사가 있는 신경망이 더 좋고 빠르게 학습합니다.
이것은 사실상 신경망의 기본 사항입니다. 이 문제를 제기하려고 했지만 알고 보니 관심을 갖는 사람은 거의 없습니다. 저는 신경망의 아키텍처와 정교함에 더 관심이 있습니다. 비록 바로 이 문제가 해결된 지 오래고 결과적으로 이를 추구하는 것은 말이 되지 않지만. 은닉층의 뉴런이 증가하면 샘플 크기를 늘려야 합니다. 샘플 크기가 증가하면 네트워크가 이해할 수 없는 더 큰 과거 샘플에 대한 규칙이 너무 많기 때문에 네트워크가 언더트레이닝됩니다. 그리고 배웁니다. 결과적으로, 그것을 꺼내는 것이 비현실적인 특정 로컬 최소값으로 날아갑니다. 이것은 오버트레이닝 또는 언더트레이닝입니다. 오버트레이닝에 가깝습니다. 결과적으로 뉴런 수의 증가는 미래의 신경망 작업에 부정적인 영향을 미칩니다.
네트워크는 거의 항상 로컬 최소값을 찾으며 일반적으로 문제를 해결하는 데 충분히 깊고 최소한으로 필요합니다. 은닉층의 경우 모든 것이 입력 매개변수의 차원에 따라 달라지며, 이는 실제로 해결되는 문제의 복잡성을 나타냅니다. 저것들. 은닉층에 뉴런이 충분하지 않거나 주어진 입력 차원에 대한 예제가 충분하지 않을 수 있습니다. 한마디로 필요한 일반화 오차에 도달할 때까지 은닉층의 뉴런 수를 첫 번째 뉴런부터 점진적으로 늘리는 등 테스트를 수행해야 합니다.
예를 들어 y(x)=F(x)와 같은 일부 매개변수 종속성이 있다고 가정합니다. 여기서 이 종속성 F 의 일반적인 형태는 알려지지 않고 가격 계열, 보다 정확하게는 예상 가격의 종속성을 생성합니다. 일부 지표를 읽을 때 증가합니다. 이 상황에서 우리는 종속성이 예를 들어 선형이라고 가정할 수 있으며 가격 증분 y[i] 와 표시기 x[i] 의 여러 이전 값을 알면 최적을 찾는 문제를 쉽게 해결할 수 있습니다 (가장 작은 편차의 의미에서) 1차 다항식에 의한 선형 근사 미지수 법칙 F y(x)=а*x+b. 그런 다음 계수 a 와 b 는 최소 자승법으로 검색되며 다음과 같습니다.
더 나아가 2차 y(x)=а2*x^2+a1*x+a0 또는 n -th의 다항식을 사용하여 미지의 종속성(법칙)을 근사할 수 있습니다! 그러나 이 모든 것은 하나의 변수 또는 우리의 경우 하나의 지표의 함수에 대한 것입니다... 두 개의 지표를 사용한다고 가정하면 입력 데이터를 평면으로 근사하기 위한 분석 솔루션을 얻는 것이 이미 더 어렵습니다( 두 변수의 함수), 그리고 다항식의 차수가 증가하는 경우 F(x1,x2) 에 가장 가까운 n 차 표면에 대한 분석 표현식을 더 이상 찾을 수 없습니다. 반면에 이 문제는 두 개의 입력 x1,x2 , 하나의 은닉층 및 충분한 수의 뉴런이 있는 신경망으로 쉽게 해결됩니다. 또한 입력 수를 10-20으로 늘리고 10-20차원 기능 공간 에서 임의의 차수 초표면을 손에 넣습니다. 꿈입니다!
사실, 우리 주변의 세계에 대한 우리의 인식은 동일한 원칙에 기반을 두고 있습니다. 우리는 무의식적으로 우리의 경험인 현실을 최적으로 반영하는 일종의 초면을 머리 속에 구축합니다. 이러한 가상 시트 표면의 각 점은 항상 정확하지는 않지만 거의 항상 최적인 주어진 생활 상황에서 우리가 내린 책임 있는 결정입니다 ...
그래서! 뭔가가 날 잡았어. 요컨대, 가격 분석을 위해 Neuronka보다 더 나은 것을 생각해내는 것은 내부 정보를 제외하고는 불가능하지는 않지만 어렵습니다.