저에게 NN은 고정 시장에서만 작동하는 분류 방법 중 하나입니다. 제대로 된 답변을 받은 적이 없어서 질문드립니다.
내 의견은 NN은 긴 학습 곡선이 필요한 알고리즘이라는 사실 때문에 non-stationarity를 좋아하지 않는다는 것입니다. 즉, 환경의 예상치 못한 변화에 빠르게 반응하는 메쉬가 없습니다. 물론 네트워크 구조 자체에 비정상성의 특성에 대한 선험적 데이터가 포함되어 있지 않는 한. 그러나 이것은 내가 다른 더 빠른 알고리즘보다 NN을 선호하는 경우일 뿐입니다. NN의 장점은 무엇보다도 세트 자체가 패턴을 강조 표시하기를 바라며 선험적 데이터 없이 구축할 수 있다는 것입니다. 즉, 결론은 다음과 같습니다. 패턴의 기초가 될 수 있는 모델(비정상성의 기초 포함)에 대한 아이디어가 전혀 없으면 NN을 사용합니다. 그렇지 않으면 종이에 모델을 퍼프하고 설명하는 것이 좋습니다. , 그런 다음 행렬/미분/기타 형식으로 일종의 좋은 회귀 알고리즘(또는 분류, 클러스터링 - 작업에 따라 다름)을 취합니다. 대체로 이러한 동일한 알고리즘은 이론을 고려하여 구축된 신경망을 훈련하는 데에도 사용할 수 있으므로 원칙적으로 보라색입니다.
내 의견은 NN은 긴 학습 곡선이 필요한 알고리즘이라는 사실 때문에 non-stationarity를 좋아하지 않는다는 것입니다. 즉, 환경의 예상치 못한 변화에 빠르게 반응하는 메쉬가 없습니다. 물론 네트워크 구조 자체에 비정상성의 특성에 대한 선험적 데이터가 포함되어 있지 않는 한. 그러나 이것은 내가 다른 더 빠른 알고리즘보다 NN을 선호하는 경우일 뿐입니다. NN의 장점은 무엇보다도 세트 자체가 패턴을 강조 표시하기를 바라며 선험적 데이터 없이 구축할 수 있다는 것입니다. 즉, 결론은 다음과 같습니다. 패턴의 기초가 될 수 있는 모델(비정상성의 기초 포함)에 대한 아이디어가 전혀 없으면 NN을 사용합니다. 그렇지 않으면 종이에 모델을 퍼프하고 설명하는 것이 좋습니다. , 그런 다음 행렬/미분/기타 형식으로 일종의 좋은 회귀 알고리즘(또는 분류, 클러스터링 - 작업에 따라 다름)을 취합니다. 대체로 이러한 동일한 알고리즘은 이론을 고려하여 구축된 신경망을 훈련하는 데에도 사용할 수 있으므로 원칙적으로 보라색입니다.
NS에는 고정이 필요하지 않습니다.
그래프의 2차원 고정 과정은 직선, 수평선 (또는 그에 가까운)입니다. H. l 여기서도 예측할 수 있는 국회도 있을 필요는 없다.
내 의견은 NN은 긴 학습 곡선이 필요한 알고리즘이라는 사실 때문에 non-stationarity를 좋아하지 않는다는 것입니다. 즉, 환경의 예상치 못한 변화에 빠르게 반응하는 메쉬가 없습니다. 물론 네트워크 구조 자체에 비정상성의 특성에 대한 선험적 데이터가 포함되어 있지 않는 한. 그러나 이것은 내가 다른 더 빠른 알고리즘보다 NN을 선호하는 경우일 뿐입니다. NN의 장점은 무엇보다도 세트 자체가 패턴을 강조 표시하기를 바라며 선험적 데이터 없이 구축할 수 있다는 것입니다. 즉, 결론은 다음과 같습니다. 패턴의 기초가 될 수 있는 모델(비정상성의 기초 포함)에 대한 아이디어가 전혀 없으면 NN을 사용합니다. 그렇지 않으면 종이에 모델을 퍼프하고 설명하는 것이 좋습니다. , 그런 다음 행렬/미분/기타 형식으로 일종의 좋은 회귀 알고리즘(또는 분류, 클러스터링 - 작업에 따라 다름)을 취합니다. 대체로 이러한 동일한 알고리즘은 이론을 고려하여 구축된 신경망을 훈련하는 데에도 사용할 수 있으므로 원칙적으로 보라색입니다.
solar : 그렇다면 왜 사용하는지 궁금합니다. )))) 그리드가 실시간으로 작동하는 곳을 아는 사람은 누구입니까?
사람들은 일반적으로 기술적 분석에 대한 실망과 다른 한편으로는 실제로 다른 사람이 가지고 있지 않은 지표를 얻으려는 시도에서 실망하여 국회에 옵니다. 그러나이 모든 사람들은 문제가 기적 지표가없는 것이 아니라 시장의 비 정상성 (변수 mo 및 분산)에 있다는 것을 이해하지 못합니다. TS가이 뉘앙스를 고려하지 않으면 모든 시스템은 NS에 있든 없든 썩는 경향이 있으며 저장소를 비워야 합니다. 따라서 NS에서의 성공은 TA에서의 성공과 마찬가지로 가능합니다. 그러나 TA는 TA 알고리즘이 훨씬 간단하고 내부 구조가 명확하며 훨씬 빠르게 작동하므로 다양한 적응 옵션이 가능하기 때문에 TA가 바람직합니다. 그러나 TA 또는 NS에서 승리하는 것은 숙련된 카지노 플레이어의 승리일 뿐 그 이상은 아닙니다.
추신. 나는 이 포럼에서 그것에 대해 여러 번 썼고 , NS에 대한 나의 의심도 확인했습니다.
사람들은 일반적으로 기술적 분석에 대한 실망과 다른 한편으로는 실제로 다른 사람이 가지고 있지 않은 지표를 얻으려는 시도에서 실망하여 국회에 옵니다. 그러나이 모든 사람들은 문제가 기적 지표가없는 것이 아니라 시장의 비 정상성 (변수 mo 및 분산)에 있다는 것을 이해하지 못합니다. TS가이 뉘앙스를 고려하지 않으면 모든 시스템은 NS에 있든 없든 썩는 경향이 있으며 저장소를 비워야 합니다. 따라서 NS에서의 성공은 TA에서의 성공과 마찬가지로 가능합니다. 그러나 TA는 TA 알고리즘이 훨씬 간단하고 내부 구조가 명확하며 훨씬 빠르게 작동하므로 다양한 적응 옵션이 가능하기 때문에 TA가 바람직합니다. 그러나 TA 또는 NS에서 승리하는 것은 숙련된 카지노 플레이어의 승리일 뿐 그 이상은 아닙니다.
추신. 나는 이 포럼에서 그것에 대해 여러 번 썼고 , NA에 대한 나의 의심도 확인했습니다.
그리고 왜 흥얼거리고 있는 겁니까? g'gamotless의 유죄 판결을받을 사람을 찾고 있습니까? DDD
진지하게, 캐치가 무엇입니까?
저에게 NN은 고정 시장에서만 작동 하는 분류 방법 중 하나입니다 . 제대로 된 답변을 받은 적이 없어서 질문드립니다.
추신. 포럼 회원의 문맹 퇴치는 나에게 보라색입니다. 나는 개인적으로 나 자신에게 관심이 있으며 개인적으로 매우 사랑합니다.
저에게 NN은 고정 시장에서만 작동하는 분류 방법 중 하나입니다. 제대로 된 답변을 받은 적이 없어서 질문드립니다.
추신. 포럼 회원의 문맹 퇴치는 나에게 보라색입니다. 나는 개인적으로 나 자신에게 관심이 있으며 개인적으로 매우 사랑합니다.
faa, 당신은 정지가 무엇인지 이해합니까?
faa, 당신은 정지가 무엇인지 이해합니까?
당신은 여전히 내 목욕에 있습니다.
그래서 이해를 못하시네...
그리고 예측을 위한 신경망 의 적용을 위해 프로세스의 정상성이 필요하지 않습니다. 글쎄요, 만일의 경우를 대비해서입니다.
저에게 NN은 고정 시장에서만 작동하는 분류 방법 중 하나입니다. 제대로 된 답변을 받은 적이 없어서 질문드립니다.
내 의견은 NN은 긴 학습 곡선이 필요한 알고리즘이라는 사실 때문에 non-stationarity를 좋아하지 않는다는 것입니다. 즉, 환경의 예상치 못한 변화에 빠르게 반응하는 메쉬가 없습니다. 물론 네트워크 구조 자체에 비정상성의 특성에 대한 선험적 데이터가 포함되어 있지 않는 한. 그러나 이것은 내가 다른 더 빠른 알고리즘보다 NN을 선호하는 경우일 뿐입니다. NN의 장점은 무엇보다도 세트 자체가 패턴을 강조 표시하기를 바라며 선험적 데이터 없이 구축할 수 있다는 것입니다. 즉, 결론은 다음과 같습니다. 패턴의 기초가 될 수 있는 모델(비정상성의 기초 포함)에 대한 아이디어가 전혀 없으면 NN을 사용합니다. 그렇지 않으면 종이에 모델을 퍼프하고 설명하는 것이 좋습니다. , 그런 다음 행렬/미분/기타 형식으로 일종의 좋은 회귀 알고리즘(또는 분류, 클러스터링 - 작업에 따라 다름)을 취합니다. 대체로 이러한 동일한 알고리즘은 이론을 고려하여 구축된 신경망을 훈련하는 데에도 사용할 수 있으므로 원칙적으로 보라색입니다.
내 의견은 NN은 긴 학습 곡선이 필요한 알고리즘이라는 사실 때문에 non-stationarity를 좋아하지 않는다는 것입니다. 즉, 환경의 예상치 못한 변화에 빠르게 반응하는 메쉬가 없습니다. 물론 네트워크 구조 자체에 비정상성의 특성에 대한 선험적 데이터가 포함되어 있지 않는 한. 그러나 이것은 내가 다른 더 빠른 알고리즘보다 NN을 선호하는 경우일 뿐입니다. NN의 장점은 무엇보다도 세트 자체가 패턴을 강조 표시하기를 바라며 선험적 데이터 없이 구축할 수 있다는 것입니다. 즉, 결론은 다음과 같습니다. 패턴의 기초가 될 수 있는 모델(비정상성의 기초 포함)에 대한 아이디어가 전혀 없으면 NN을 사용합니다. 그렇지 않으면 종이에 모델을 퍼프하고 설명하는 것이 좋습니다. , 그런 다음 행렬/미분/기타 형식으로 일종의 좋은 회귀 알고리즘(또는 분류, 클러스터링 - 작업에 따라 다름)을 취합니다. 대체로 이러한 동일한 알고리즘은 이론을 고려하여 구축된 신경망을 훈련하는 데에도 사용할 수 있으므로 원칙적으로 보라색입니다.
NS에는 고정이 필요하지 않습니다.
그래프의 2차원 고정 과정은 직선, 수평선 (또는 그에 가까운)입니다. H. l 여기서도 예측할 수 있는 국회도 있을 필요는 없다.
내 의견은 NN은 긴 학습 곡선이 필요한 알고리즘이라는 사실 때문에 non-stationarity를 좋아하지 않는다는 것입니다. 즉, 환경의 예상치 못한 변화에 빠르게 반응하는 메쉬가 없습니다. 물론 네트워크 구조 자체에 비정상성의 특성에 대한 선험적 데이터가 포함되어 있지 않는 한. 그러나 이것은 내가 다른 더 빠른 알고리즘보다 NN을 선호하는 경우일 뿐입니다. NN의 장점은 무엇보다도 세트 자체가 패턴을 강조 표시하기를 바라며 선험적 데이터 없이 구축할 수 있다는 것입니다. 즉, 결론은 다음과 같습니다. 패턴의 기초가 될 수 있는 모델(비정상성의 기초 포함)에 대한 아이디어가 전혀 없으면 NN을 사용합니다. 그렇지 않으면 종이에 모델을 퍼프하고 설명하는 것이 좋습니다. , 그런 다음 행렬/미분/기타 형식으로 일종의 좋은 회귀 알고리즘(또는 분류, 클러스터링 - 작업에 따라 다름)을 취합니다. 대체로 이러한 동일한 알고리즘은 이론을 고려하여 구축된 신경망을 훈련하는 데에도 사용할 수 있으므로 원칙적으로 보라색입니다.
내 의견은 NN은 긴 학습 곡선이 필요한 알고리즘이라는 사실 때문에 non-stationarity를 좋아하지 않는다는 것입니다. 즉, 환경의 예상치 못한 변화에 빠르게 반응하는 메쉬가 없습니다.
그렇다면 왜 사용하는지 궁금합니다. )))) 그리드가 실시간으로 작동하는 곳을 아는 사람은 누구입니까?
사람들은 일반적으로 기술적 분석에 대한 실망과 다른 한편으로는 실제로 다른 사람이 가지고 있지 않은 지표를 얻으려는 시도에서 실망하여 국회에 옵니다. 그러나이 모든 사람들은 문제가 기적 지표가없는 것이 아니라 시장의 비 정상성 (변수 mo 및 분산)에 있다는 것을 이해하지 못합니다. TS가이 뉘앙스를 고려하지 않으면 모든 시스템은 NS에 있든 없든 썩는 경향이 있으며 저장소를 비워야 합니다. 따라서 NS에서의 성공은 TA에서의 성공과 마찬가지로 가능합니다. 그러나 TA는 TA 알고리즘이 훨씬 간단하고 내부 구조가 명확하며 훨씬 빠르게 작동하므로 다양한 적응 옵션이 가능하기 때문에 TA가 바람직합니다. 그러나 TA 또는 NS에서 승리하는 것은 숙련된 카지노 플레이어의 승리일 뿐 그 이상은 아닙니다.
추신. 나는 이 포럼에서 그것에 대해 여러 번 썼고 , NS에 대한 나의 의심도 확인했습니다.
사람들은 일반적으로 기술적 분석에 대한 실망과 다른 한편으로는 실제로 다른 사람이 가지고 있지 않은 지표를 얻으려는 시도에서 실망하여 국회에 옵니다. 그러나이 모든 사람들은 문제가 기적 지표가없는 것이 아니라 시장의 비 정상성 (변수 mo 및 분산)에 있다는 것을 이해하지 못합니다. TS가이 뉘앙스를 고려하지 않으면 모든 시스템은 NS에 있든 없든 썩는 경향이 있으며 저장소를 비워야 합니다. 따라서 NS에서의 성공은 TA에서의 성공과 마찬가지로 가능합니다. 그러나 TA는 TA 알고리즘이 훨씬 간단하고 내부 구조가 명확하며 훨씬 빠르게 작동하므로 다양한 적응 옵션이 가능하기 때문에 TA가 바람직합니다. 그러나 TA 또는 NS에서 승리하는 것은 숙련된 카지노 플레이어의 승리일 뿐 그 이상은 아닙니다.
추신. 나는 이 포럼에서 그것에 대해 여러 번 썼고 , NA에 대한 나의 의심도 확인했습니다.
그거야, 이게 끝이야....
금융시장에서 TA, NS 사용종료! 맙소사 맙소사....
추신 야, 부끄러워하지마.