분류에 완전히 집중하기 직전입니다. 이것에 대해 똑같이 생각하십시오. 예를 들어, 네트워크에 알파벳 5자를 가르친 후 스캔 후 텍스트 인식을 어떻게 할 것입니까?
아니요, 물론 OCR은 다루지 않겠습니다. 5글자 다 배워서 말이 안됨...
나는 당신을 전혀 조롱하지 않습니다. 주요 메시지는 정보의 완전성이 필요하다는 것입니다. 당신은 아직 그것에 집중하지 않았습니다, IMHO.
덕분에 저도 건설적으로 노력하겠습니다. 그리고 나는 우리가 다른 것에 대해 이야기하고 있다고 생각했습니다. 분류의 어려움을 애도하면서 다음과 같은 의미를 담고 있다.
고전적인 경우인 비행기를 예로 들어 보겠습니다. 이론에 따르면 성공적인 분류를 생성하려면 데이터(평면의 경우)가 선형으로 분리 가능해야 합니다.
(아쉽게 손에 예쁜 사진이 없어서 엑셀로 급하게 찍어야 했음)
2개의 매개변수 X와 Y(평면...)가 있는 데이터를 가져왔다고 가정해 보겠습니다. 단위 벡터로 가져와서 그런 그림을 얻었습니다. 우리는 5개의 분명히 분리된 영역을 봅니다. 어떤 SOM이든 한 번에 분류에 대처하고 분류는 분류일 뿐입니다. 모든 새 데이터는 클래스 중 하나에 속합니다. 각 클래스의 속성은 우리에게 알려져 있으므로 새 데이터가 어떤 클래스에 속하는지 알아내기만 하면 해당 클래스에 대한 모든 것을 즉시 알 수 있습니다. 모든 결과와 함께 ...
불행히도 오데사에서 말했듯이 고전적인 경우와 실제적인 경우는 두 가지 큰 차이점이 있습니다.
실제 사례에서는 데이터를 업로드하고 이 사진을 얻었습니다. 물론 이 경우에도 분류가 가능하지만 실용적인 가치는 없습니다. 우리는 동일한 5개의 클래스를 설정할 수 있으며 SOM은 클러스터의 중심을 균등 하게 분배하여 정직하게 "그립니다". 새로 도착한 데이텀은 어딘가로 갈 것입니다. 그러나 이 "어딘가"는 더 이상 의미가 없습니다. 모든 데이터와 해당 속성은 평면에 고르게 분산(혼합)됩니다. 우리가 그러한 분류를 믿고 새로운 데이터를 클래스 중 하나에 귀속시키면 우리는 단순히 자신을 속이는 것입니다.
그것이 문제의 핵심이며, 그것이 내 게시물에서 의미 했던 것입니다. 저것들. 어느 쪽에서 나는 문제에 뛰어 들지 않았고, 이해할 수 있는 분리 가능한 데이터를 얻을 수 없었습니다. 저것들. 또는 분리 가능성이 완전히 없으면 nefig 및 시도하십시오. 또는 긴장이 충분하지 않습니다. 대자연은 나에게 약간의 자기 비판을 박탈하지 않았으므로 지금은 두 번째 옵션에 기대고 있습니다. 그래서 다양한 동지들과 상의한다. 글쎄, 나는 반복한다. 명확한 분류를 받으면 이미 확률 그리드와 퍼지 논리로 작업할 수 있습니다.
덕분에 저도 건설적으로 노력하겠습니다. 그리고 나는 우리가 다른 것에 대해 이야기하고 있다고 생각했습니다. 분류의 어려움을 애도하면서 다음과 같은 의미를 담고 있다.
고전적인 경우인 비행기를 예로 들어 보겠습니다. 이론에 따르면 성공적인 분류를 생성하려면 데이터(평면의 경우)가 선형으로 분리 가능해야 합니다.
(아쉽게 수중에 예쁜 사진이 없어서 엑셀로 급하게 찍어야 했음)
2개의 매개변수 X와 Y(평면...)가 있는 데이터를 가져왔다고 가정해 보겠습니다. 단위 벡터로 가져와서 그런 그림을 얻었습니다. 우리는 5개의 명확하게 분리된 영역을 봅니다. 어떤 SOM이라도 한 번에 분류에 대처하고 분류는 분류일 뿐입니다. 모든 새 데이터는 클래스 중 하나에 속합니다. 각 클래스의 속성은 우리에게 알려져 있으므로 새 데이터가 어떤 클래스에 속하는지 알아내기만 하면 해당 클래스에 대한 모든 것을 즉시 알 수 있습니다. 모든 결과와 함께 ...
불행히도 오데사에서 말했듯이 고전적인 경우와 실제적인 경우는 두 가지 큰 차이점이 있습니다.
실제 사례에서는 데이터를 업로드하고 이 사진을 얻었습니다. 물론 이 경우에도 분류가 가능하지만 실용적인 가치는 없습니다. 우리는 동일한 5개의 클래스를 설정할 수 있으며 SOM은 클러스터의 중심을 고르게 분포시키기만 하면 정직하게 "그립니다". 새로 도착한 데이텀은 어딘가로 갈 것입니다. 그러나 이 "어딘가"는 더 이상 의미가 없습니다. 모든 데이터와 해당 속성은 평면에 고르게 분산(혼합)됩니다. 우리가 그러한 분류를 믿고 새로운 데이터를 클래스 중 하나에 귀속시키면 우리는 단순히 자신을 속이는 것입니다.
이것이 문제의 본질이며 내 게시물에서 의미 한 바입니다. 저것들. 어느 쪽에서 나는 문제에 뛰어들지 않았고, 이해할 수 있는 분리성으로 데이터를 얻을 수 없었습니다. 저것들. 또는 분리 가능성이 완전히 없으면 무시하고 시도하십시오. 또는 긴장이 충분하지 않습니다. 대자연은 나에게 약간의 자기 비판을 박탈하지 않았으므로 지금은 두 번째 옵션에 기대고 있습니다. 그래서 나는 다양한 동지들과 상의한다. 글쎄, 나는 반복한다. 명확한 분류를 받으면 이미 확률 그리드와 퍼지 논리로 작업할 수 있습니다.
TA의 일반적인 추론, 가정에 대한 맹목적인 믿음 - "역사는 반복됩니다."
당신이 쓰는 모든 것이 데이터 분석에는 좋지만(아마도) 예측에는 적합하지 않습니다.
성공적인 분류의 결과로 식별된 클래스(이 문제를 해결했다고 가정)가 왜 미래에 있을 것이라고 생각합니까? 결국, 주요 질문은 분류가 아니라 방법의 예측 가능성, 미래의 사용에 대한 확신입니다. 이것은 완전히 다른 문제입니다. 이것이 신경망이 거래에서 극히 제한된 가치를 찾는 이유입니다. 임호.
일반적으로 개체와 안정적으로 연결된 직접 데이터가 아닌 간접 데이터를 사용하면 네트워크의 모든 기능을 사용할 수 있습니다.
예를 들어, 낮과 저녁 에 물체 의 조명은 태양의 조명 각도에 따라 달라집니다. 그리고 태양 노출 데이터를 사용하면 물체의 조명을 얻을 수 있습니다.
네트워크의 본질은 관련 이벤트에서 정보를 복구하는 것입니다. 네트워크는 마법의 함수가 아니며 수학 함수만큼 많은 마법이 있습니다.
나는 주장하지 않을 것이지만 분류, 근사화, 예측, 보간 또는 기타 ..... 예를 들어 일종의 도구를 제출하려면 제출해야합니다. 모든 것 , 나는 모두 강조합니다 그와 관련된 데이터. 그리고 이것은 어떤 식으로든 변환된 OHLCV 뿐만이 아닙니다. 예를 들어, 금의 움직임이 어떤 악기에 영향을 미칠 수 있습니까? 기름? 등.....
맹목적인 믿음은 결코 존재하지 않았습니다. 뼛속까지 물질주의자. 그러나 나는 "역사는 반복된다"는 것을 절대적으로 확신합니다. 반복적이라고 생각합니다. 이것은 오늘 15:00의 가격이 지난 화요일 15:00의 가격과 동일하게 작동한다는 의미가 아닙니다.
당신이 쓰는 모든 것은 데이터 분석에 (아마도) 좋지만 예측에는 가깝지 않습니다.
성공적인 분류의 결과로 식별된 클래스(이 문제를 해결했다고 가정)가 왜 미래에 있을 것이라고 생각합니까? 결국, 주요 질문은 분류가 아니라 방법의 예측 가능성, 미래의 사용에 대한 확신입니다. 이것은 완전히 다른 문제입니다. 이것이 신경망이 거래에서 극히 제한된 가치를 찾는 이유입니다. 임호.
그리고 이 경우의 분석 및 예측을 한 잔에 담았습니다.
수업에 대해서는 그렇게 생각하지 않습니다. 그냥 추측하는 순간. 그리고 당신이 맞습니다. 주요 문제는 분류에 있지 않습니다. 분류는 기초와 같습니다. 그리고 (목표)는 예측 가능성입니다. 그러나 여기에서도 나는 그렇게 생각하지 않는다. 효과가 있을지 없을지 모르겠습니다. "하드웨어의 장치"를 구현하면 알게 될 것입니다. 그래야만 알 수 있습니다.
맹목적인 믿음은 결코 존재하지 않았습니다. 뼛속까지 물질주의자. 그러나 나는 "역사는 반복된다"는 것을 절대적으로 확신합니다. 반복적이라고 생각합니다. 이것은 오늘 15:00의 가격이 지난 화요일 15:00의 가격과 동일하게 작동한다는 의미가 아닙니다.
그리고 이 경우 분석 및 예측을 한 잔에 담았습니다.
수업에 대해서는 그렇게 생각하지 않습니다. 그냥 추측하는 순간. 그리고 당신이 맞습니다. 주요 문제는 분류에 있지 않습니다. 분류는 기초와 같습니다. 그리고 (목표)는 예측 가능성입니다. 그러나 여기에서도 나는 그렇게 생각하지 않는다. 효과가 있는지 없는지 모르겠습니다. "하드웨어의 장치"를 구현하면 알게 될 것입니다. 그래야만 알 수 있습니다.
어쩌면 내가 이해하지 못하겠어.
패턴으로 분류합니다. 우리는 그러한 패턴이 미래에 반드시 발생할 것이며 이 지식을 예측에 사용할 수 있을 것이라고 믿습니다. 그렇습니까?
무슨 근거로? 누가 그런 패턴이 있다는 것을 증명했습니까? 또는 약간 또는 강하게 수정되었습니까?
IMHO, 우리가 네트워크에 손으로 쓴 문자 "a"를 인식하도록 가르친다면 이 문자가 미래에 있을 것이라는 절대적인 확신이 있습니다. 왜냐하면 그것이 언어로 존재하고 미래에 대다수가 발로 쓰기 시작하기 때문입니다. 문자 ""는 여전히 있고 윤곽선만 변경되고 그리드를 훈련해야 할 수 있습니다. 이것은 정지 상태를 말합니다.
따옴표는 원칙적으로 고정되지 않은 프로세스입니다. 항상 고정 부분과 비교할 수있는 (초과) 다른 시간에 다른 약간의 편차가 있습니다. 이것이 문제입니다. 원본의 비정상성: 오늘은 러시아 문자, 내일은 중국어입니다. 글자가 반영하는 객관적 현실을 찾아야 한다. 그러나 신경망은 이것을 하지 않습니다.
당신이 쓴 것은 이 포럼뿐만 아니라 여러 번 논의되었습니다. 그래서 2차 원에 다 쓸 힘이 없다.......
Robot_al :
... Форекс мне стал более-менее понятен, даже, когда он непонятен - это всего лишь инверсия "понятности".
... 글쎄요, 외환은 제가 George Boole의 대수학의 논리를 적용할 수 있었던 곳일 뿐입니다.
시원한...
감독자...
당신이 쓴 것은 이 포럼뿐만 아니라 여러 번 논의되었습니다. 그래서 2차 원에 다 쓸 힘이 없다.......
그래서 저는 이 포럼을 주의 깊게 읽지 않았습니다. 그런 토론을 본 적이 없기 때문입니다. 글쎄요, 저는 주장하지 않습니다. 그리고 2차 필기는 정말 보람이 있는 직업이 아닙니다.
이 포럼에 가서 한 가지 질문만 했습니다. 이 질문에 대한 답을 얻었습니다.
솔라, 분류 문제를 암시했다는 사실에 주목합니다. 이것이 교사 없이 배우는 원리입니다. 저것들. "아웃"이라는 것은 없습니다.
추신 죄송합니다. 어떤 이유로 leksus를 현재 것으로 변경해야 했습니다.
분류에 완전히 집중하기 직전입니다. 이것에 대해 똑같이 생각하십시오. 예를 들어, 네트워크에 알파벳 5자를 가르친 후 스캔 후 텍스트 인식을 어떻게 할 것입니까?
나는 당신을 전혀 조롱하지 않습니다. 주요 메시지는 정보의 완전성이 필요하다는 것입니다. 당신은 아직 그것에 집중하지 않았습니다, IMHO.
분류에 완전히 집중하기 직전입니다. 이것에 대해 똑같이 생각하십시오. 예를 들어, 네트워크에 알파벳 5자를 가르친 후 스캔 후 텍스트 인식을 어떻게 할 것입니까?
아니요, 물론 OCR은 다루지 않겠습니다. 5글자 다 배워서 말이 안됨...
덕분에 저도 건설적으로 노력하겠습니다. 그리고 나는 우리가 다른 것에 대해 이야기하고 있다고 생각했습니다. 분류의 어려움을 애도하면서 다음과 같은 의미를 담고 있다.
고전적인 경우인 비행기를 예로 들어 보겠습니다. 이론에 따르면 성공적인 분류를 생성하려면 데이터(평면의 경우)가 선형으로 분리 가능해야 합니다.
(아쉽게 손에 예쁜 사진이 없어서 엑셀로 급하게 찍어야 했음)
2개의 매개변수 X와 Y(평면...)가 있는 데이터를 가져왔다고 가정해 보겠습니다. 단위 벡터로 가져와서 그런 그림을 얻었습니다. 우리는 5개의 분명히 분리된 영역을 봅니다. 어떤 SOM이든 한 번에 분류에 대처하고 분류는 분류일 뿐입니다. 모든 새 데이터는 클래스 중 하나에 속합니다. 각 클래스의 속성은 우리에게 알려져 있으므로 새 데이터가 어떤 클래스에 속하는지 알아내기만 하면 해당 클래스에 대한 모든 것을 즉시 알 수 있습니다. 모든 결과와 함께 ...
불행히도 오데사에서 말했듯이 고전적인 경우와 실제적인 경우는 두 가지 큰 차이점이 있습니다.
실제 사례에서는 데이터를 업로드하고 이 사진을 얻었습니다. 물론 이 경우에도 분류가 가능하지만 실용적인 가치는 없습니다. 우리는 동일한 5개의 클래스를 설정할 수 있으며 SOM은 클러스터의 중심을 균등 하게 분배하여 정직하게 "그립니다". 새로 도착한 데이텀은 어딘가로 갈 것입니다. 그러나 이 "어딘가"는 더 이상 의미가 없습니다. 모든 데이터와 해당 속성은 평면에 고르게 분산(혼합)됩니다. 우리가 그러한 분류를 믿고 새로운 데이터를 클래스 중 하나에 귀속시키면 우리는 단순히 자신을 속이는 것입니다.
그것이 문제의 핵심이며, 그것이 내 게시물에서 의미 했던 것입니다. 저것들. 어느 쪽에서 나는 문제에 뛰어 들지 않았고, 이해할 수 있는 분리 가능한 데이터를 얻을 수 없었습니다. 저것들. 또는 분리 가능성이 완전히 없으면 nefig 및 시도하십시오. 또는 긴장이 충분하지 않습니다. 대자연은 나에게 약간의 자기 비판을 박탈하지 않았으므로 지금은 두 번째 옵션에 기대고 있습니다. 그래서 다양한 동지들과 상의한다. 글쎄, 나는 반복한다. 명확한 분류를 받으면 이미 확률 그리드와 퍼지 논리로 작업할 수 있습니다.
아니요, 물론 OCR은 다루지 않겠습니다. 5글자 다 배워서 말이 안됨...
덕분에 저도 건설적으로 노력하겠습니다. 그리고 나는 우리가 다른 것에 대해 이야기하고 있다고 생각했습니다. 분류의 어려움을 애도하면서 다음과 같은 의미를 담고 있다.
고전적인 경우인 비행기를 예로 들어 보겠습니다. 이론에 따르면 성공적인 분류를 생성하려면 데이터(평면의 경우)가 선형으로 분리 가능해야 합니다.
(아쉽게 수중에 예쁜 사진이 없어서 엑셀로 급하게 찍어야 했음)
2개의 매개변수 X와 Y(평면...)가 있는 데이터를 가져왔다고 가정해 보겠습니다. 단위 벡터로 가져와서 그런 그림을 얻었습니다. 우리는 5개의 명확하게 분리된 영역을 봅니다. 어떤 SOM이라도 한 번에 분류에 대처하고 분류는 분류일 뿐입니다. 모든 새 데이터는 클래스 중 하나에 속합니다. 각 클래스의 속성은 우리에게 알려져 있으므로 새 데이터가 어떤 클래스에 속하는지 알아내기만 하면 해당 클래스에 대한 모든 것을 즉시 알 수 있습니다. 모든 결과와 함께 ...
불행히도 오데사에서 말했듯이 고전적인 경우와 실제적인 경우는 두 가지 큰 차이점이 있습니다.
실제 사례에서는 데이터를 업로드하고 이 사진을 얻었습니다. 물론 이 경우에도 분류가 가능하지만 실용적인 가치는 없습니다. 우리는 동일한 5개의 클래스를 설정할 수 있으며 SOM은 클러스터의 중심을 고르게 분포시키기만 하면 정직하게 "그립니다". 새로 도착한 데이텀은 어딘가로 갈 것입니다. 그러나 이 "어딘가"는 더 이상 의미가 없습니다. 모든 데이터와 해당 속성은 평면에 고르게 분산(혼합)됩니다. 우리가 그러한 분류를 믿고 새로운 데이터를 클래스 중 하나에 귀속시키면 우리는 단순히 자신을 속이는 것입니다.
이것이 문제의 본질이며 내 게시물에서 의미 한 바입니다. 저것들. 어느 쪽에서 나는 문제에 뛰어들지 않았고, 이해할 수 있는 분리성으로 데이터를 얻을 수 없었습니다. 저것들. 또는 분리 가능성이 완전히 없으면 무시하고 시도하십시오. 또는 긴장이 충분하지 않습니다. 대자연은 나에게 약간의 자기 비판을 박탈하지 않았으므로 지금은 두 번째 옵션에 기대고 있습니다. 그래서 나는 다양한 동지들과 상의한다. 글쎄, 나는 반복한다. 명확한 분류를 받으면 이미 확률 그리드와 퍼지 논리로 작업할 수 있습니다.
TA의 일반적인 추론, 가정에 대한 맹목적인 믿음 - "역사는 반복됩니다."
당신이 쓰는 모든 것이 데이터 분석에는 좋지만(아마도) 예측에는 적합하지 않습니다.
성공적인 분류의 결과로 식별된 클래스(이 문제를 해결했다고 가정)가 왜 미래에 있을 것이라고 생각합니까? 결국, 주요 질문은 분류가 아니라 방법의 예측 가능성, 미래의 사용에 대한 확신입니다. 이것은 완전히 다른 문제입니다. 이것이 신경망이 거래에서 극히 제한된 가치를 찾는 이유입니다. 임호.
일반적으로 개체와 안정적으로 연결된 직접 데이터가 아닌 간접 데이터를 사용하면 네트워크의 모든 기능을 사용할 수 있습니다.
예를 들어, 낮과 저녁 에 물체 의 조명은 태양의 조명 각도에 따라 달라집니다. 그리고 태양 노출 데이터를 사용하면 물체의 조명을 얻을 수 있습니다.
네트워크의 본질은 관련 이벤트에서 정보를 복구하는 것입니다. 네트워크는 마법의 함수가 아니며 수학 함수만큼 많은 마법이 있습니다.
나는 주장하지 않을 것이지만 분류, 근사화, 예측, 보간 또는 기타 ..... 예를 들어 일종의 도구를 제출하려면 제출해야합니다. 모든 것 , 나는 모두 강조합니다 그와 관련된 데이터. 그리고 이것은 어떤 식으로든 변환된 OHLCV 뿐만이 아닙니다. 예를 들어, 금의 움직임이 어떤 악기에 영향을 미칠 수 있습니까? 기름? 등.....
이 어려운 문제에 행운을 빕니다.
어쩌면 거기에 가지 않고 거기에 무언가를 찌르는 것만큼 가치가 있지 않습니까? 아마도 입력과 출력 사이에 어떤 연결이 있어야 합니까?
입구에 들어갈 때 달러를 주나요?
인정 있는. 아마도 바로. ))
TA의 일반적인 추론, 가정에 대한 맹목적인 믿음 - "역사는 반복됩니다."
맹목적인 믿음은 결코 존재하지 않았습니다. 뼛속까지 물질주의자. 그러나 나는 "역사는 반복된다"는 것을 절대적으로 확신합니다. 반복적이라고 생각합니다. 이것은 오늘 15:00의 가격이 지난 화요일 15:00의 가격과 동일하게 작동한다는 의미가 아닙니다.
당신이 쓰는 모든 것은 데이터 분석에 (아마도) 좋지만 예측에는 가깝지 않습니다.
성공적인 분류의 결과로 식별된 클래스(이 문제를 해결했다고 가정)가 왜 미래에 있을 것이라고 생각합니까? 결국, 주요 질문은 분류가 아니라 방법의 예측 가능성, 미래의 사용에 대한 확신입니다. 이것은 완전히 다른 문제입니다. 이것이 신경망이 거래에서 극히 제한된 가치를 찾는 이유입니다. 임호.
그리고 이 경우의 분석 및 예측을 한 잔에 담았습니다.
수업에 대해서는 그렇게 생각하지 않습니다. 그냥 추측하는 순간. 그리고 당신이 맞습니다. 주요 문제는 분류에 있지 않습니다. 분류는 기초와 같습니다. 그리고 (목표)는 예측 가능성입니다. 그러나 여기에서도 나는 그렇게 생각하지 않는다. 효과가 있을지 없을지 모르겠습니다. "하드웨어의 장치"를 구현하면 알게 될 것입니다. 그래야만 알 수 있습니다.
맹목적인 믿음은 결코 존재하지 않았습니다. 뼛속까지 물질주의자. 그러나 나는 "역사는 반복된다"는 것을 절대적으로 확신합니다. 반복적이라고 생각합니다. 이것은 오늘 15:00의 가격이 지난 화요일 15:00의 가격과 동일하게 작동한다는 의미가 아닙니다.
그리고 이 경우 분석 및 예측을 한 잔에 담았습니다.
수업에 대해서는 그렇게 생각하지 않습니다. 그냥 추측하는 순간. 그리고 당신이 맞습니다. 주요 문제는 분류에 있지 않습니다. 분류는 기초와 같습니다. 그리고 (목표)는 예측 가능성입니다. 그러나 여기에서도 나는 그렇게 생각하지 않는다. 효과가 있는지 없는지 모르겠습니다. "하드웨어의 장치"를 구현하면 알게 될 것입니다. 그래야만 알 수 있습니다.
어쩌면 내가 이해하지 못하겠어.
패턴으로 분류합니다. 우리는 그러한 패턴이 미래에 반드시 발생할 것이며 이 지식을 예측에 사용할 수 있을 것이라고 믿습니다. 그렇습니까?
무슨 근거로? 누가 그런 패턴이 있다는 것을 증명했습니까? 또는 약간 또는 강하게 수정되었습니까?
IMHO, 우리가 네트워크에 손으로 쓴 문자 "a"를 인식하도록 가르친다면 이 문자가 미래에 있을 것이라는 절대적인 확신이 있습니다. 왜냐하면 그것이 언어로 존재하고 미래에 대다수가 발로 쓰기 시작하기 때문입니다. 문자 ""는 여전히 있고 윤곽선만 변경되고 그리드를 훈련해야 할 수 있습니다. 이것은 정지 상태를 말합니다.
따옴표는 원칙적으로 고정되지 않은 프로세스입니다. 항상 고정 부분과 비교할 수있는 (초과) 다른 시간에 다른 약간의 편차가 있습니다. 이것이 문제입니다. 원본의 비정상성: 오늘은 러시아 문자, 내일은 중국어입니다. 글자가 반영하는 객관적 현실을 찾아야 한다. 그러나 신경망은 이것을 하지 않습니다.