도대체 왜 신경망 네트워크에 몇 개의 레이어나 퍼셉트론이 필요한 것일까요? 신경망 개발자가 처리하도록 하십시오.
신경망의 경우 신경망은 블랙박스입니다.
신경망이 문제를 공식화하는 데 필요한 모든 것: 입력 값과 출력 값 - 훈련과 테스트(정방향 테스트) 두 부분으로 나뉜 샘플. 따라서 작업은 최대 확률을 가진 입력의 값이 훈련 샘플에서 훈련된 후 테스트 샘플의 신경망 출력 값과 일치하는지 확인하는 것입니다.
유리에게, 그런 표현을 일반적인 의미(어떤 의미에서, 모든 신경망에 관한 것)로 사용하지 말아 달라고 부탁하고 싶습니다. 알다시피, (일반적인 의미에서) 신경망은 은닉층의 수와 주기적으로 이러한 은닉층의 뉴런 수에 관심이 많습니다. 또한 때로는 활성화 기능을 선택하는 데 어려움이 있습니다. 여기에 더해 때때로 경사 하강법을 선택해야 하는 경우도 있습니다. 나는 어떤 식 으로든 기분이 상하지 않으며 나의 하나님도 아닙니다. 그러나 여전히, 당신은 어떻게 든 상황을 지나치게 단순화했습니다.
죄송합니다. 학생들은 다른 전문 분야로 옵니다. TA는 워싱턴 DC의 누구에게나 2주 동안, 계량경제학은 5년 동안 가르칩니다.
다시 한 번 반복할 수 있습니다. TA는 예측 이행 가능성에 대한 질문을 전혀 제기하지 않습니다. 우리는 단지 믿고 합병하고 그 이유를 이해하지 못합니다. 계량 경제학에서 모델링 결과에 대한 확신의 문제는 주요 문제입니다. 인생에서처럼.
나는 논쟁하지 않는다. 계량 경제학은 내가 아니라 당신입니다. 제 뒤에 있는 비수학 교수진에는 수학 과목이 3개밖에 없습니다. 그리고 TA는 " 신뢰 구간 "을 가질 필요가 없었습니다. TA는 상황의 시작을 나타냅니다(상인에게 표시). 그 이후에는 이벤트가 높은 확률로 발생할 것입니다. 일반적으로 한 가지 또는 다른 방법으로. 즉, 이벤트 및 이벤트의 예측만. 그리고 정확히 어디에서 TA의 목표는 드문 예외를 제외하고 결코 달성되지 않았습니다. 대부분 "파손된 곳에서 거래합니다."
EconMod, 나는 백기를 던졌습니다. 이렇게 일하는 것도 지겹다. 진실은 7 페이지 전에 단어를 삽입하려는 시도를 중단했습니다. 오줌을 위해 오줌, 그것은 내 것이 아닙니다. 나는 어린 시절부터 침묵했다.
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.
그것이 문제의 핵심이며, 그것이 내 게시물에서 의미 했던 것입니다. 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.
고전적인 경우인 비행기를 예로 들어 보겠습니다. 이론에 따르면 성공적인 분류를 생성하려면 데이터(평면의 경우)가 선형으로 분리 가능해야 합니다.
비행기는 고전적인 경우가 아니라 고전적인 예 입니다. 그리고 이러한 간단한 분리 가능성은 아이디어를 명확하게 설명하기 위해서만 이러한 예에서 사용됩니다.
실용적인 관점에서 받아들일 수 있는 분류를 구축하기 위해서는 특징 벡터의 차원을 점진적으로 증가시킬 필요가 있다. 이 경우 클래스 분할은 반드시 비선형입니다.
잘생겼다 - 아름답다.
Armeyka에서 corefan은 그의 어깨에이 비문을 고정했습니다. :-)
적어도 네트워크에 입력 데이터를 준비하는 조직 및 절차 측면에서 주제의 주제가 공개되지 않았다고 생각합니다 ...
우리가 작업하는 개체를 정의해야 합니다. 신경망에 대한 이 정의는 어디에 있습니까? 그들은 무엇을 사용합니까? 레이어와 퍼셉트론?
도대체 왜 신경망 네트워크에 몇 개의 레이어나 퍼셉트론이 필요한 것일까요? 신경망 개발자가 처리하도록 하십시오.
신경망의 경우 신경망은 블랙박스입니다.
신경망이 문제를 공식화하는 데 필요한 모든 것: 입력 값과 출력 값 - 훈련과 테스트(정방향 테스트) 두 부분으로 나뉜 샘플. 따라서 작업은 최대 확률을 가진 입력의 값이 훈련 샘플에서 훈련된 후 테스트 샘플의 신경망 출력 값과 일치하는지 확인하는 것입니다.
여기서 부터 시작해야 합니다. 단순에서.
고정 계열 = mo 및 분산 상수. ARCH에서 분산은 상수가 아니라 이전 값에 따라 달라집니다.
모델을 구축할 때 ARCH가 있는 경우 최소 제곱을 적용할 수 없으므로 나머지 모델의 ARCH를 확인하는 것은 필수입니다.
여기에서 시작하십시오 - 더 쉬워지지 않습니다
나 없이 만 -이 모든 것이 오래 전에이 포럼에서 씹혔습니다.
패턴은 18시간 동안 가르치고 받아들여지며 주요 질문은 패턴을 거래에 사용할 수 없다는 것을 이해합니까?
그러한 질문의 공식화로, 나는 당신의 선생님이 적어도 약간은 틀렸다고 말하고 싶습니다.
농담이 아니라 나도 학생이었다. 오프셋 설정 후 어떤 답변이 왔는지 궁금합니다.
그러한 질문의 공식화로, 나는 당신의 선생님이 적어도 약간은 틀렸다고 말하고 싶습니다.
농담이 아니라 나도 학생이었다. 오프셋 설정 후 어떤 답변이 왔는지 궁금합니다.
죄송합니다. 학생들은 다른 전문 분야로 옵니다. TA는 워싱턴 DC의 누구에게나 2주 동안, 계량경제학 은 5년 동안 가르칩니다.
다시 한 번 반복할 수 있습니다. TA는 예측 이행 가능성에 대한 질문을 전혀 제기하지 않습니다. 우리는 단지 믿고 합병하고 그 이유를 이해하지 못합니다. 계량 경제학에서 모델링 결과에 대한 확신의 문제는 주요 문제입니다. 인생에서처럼.
도대체 왜 신경망 네트워크에 몇 개의 레이어나 퍼셉트론이 필요한 것일까요? 신경망 개발자가 처리하도록 하십시오.
신경망의 경우 신경망은 블랙박스입니다.
신경망이 문제를 공식화하는 데 필요한 모든 것: 입력 값과 출력 값 - 훈련과 테스트(정방향 테스트) 두 부분으로 나뉜 샘플. 따라서 작업은 최대 확률을 가진 입력의 값이 훈련 샘플에서 훈련된 후 테스트 샘플의 신경망 출력 값과 일치하는지 확인하는 것입니다.
유리에게, 그런 표현을 일반적인 의미(어떤 의미에서, 모든 신경망에 관한 것)로 사용하지 말아 달라고 부탁하고 싶습니다. 알다시피, (일반적인 의미에서) 신경망은 은닉층의 수와 주기적으로 이러한 은닉층의 뉴런 수에 관심이 많습니다. 또한 때로는 활성화 기능을 선택하는 데 어려움이 있습니다. 여기에 더해 때때로 경사 하강법을 선택해야 하는 경우도 있습니다. 나는 어떤 식 으로든 기분이 상하지 않으며 나의 하나님도 아닙니다. 그러나 여전히, 당신은 어떻게 든 상황을 지나치게 단순화했습니다.
동의한다. 내 게시물은 주제가 아닙니다. 실례합니다.
죄송합니다. 학생들은 다른 전문 분야로 옵니다. TA는 워싱턴 DC의 누구에게나 2주 동안, 계량경제학은 5년 동안 가르칩니다.
다시 한 번 반복할 수 있습니다. TA는 예측 이행 가능성에 대한 질문을 전혀 제기하지 않습니다. 우리는 단지 믿고 합병하고 그 이유를 이해하지 못합니다. 계량 경제학에서 모델링 결과에 대한 확신의 문제는 주요 문제입니다. 인생에서처럼.
나는 논쟁하지 않는다. 계량 경제학은 내가 아니라 당신입니다. 제 뒤에 있는 비수학 교수진에는 수학 과목이 3개밖에 없습니다. 그리고 TA는 " 신뢰 구간 "을 가질 필요가 없었습니다. TA는 상황의 시작을 나타냅니다(상인에게 표시). 그 이후에는 이벤트가 높은 확률로 발생할 것입니다. 일반적으로 한 가지 또는 다른 방법으로. 즉, 이벤트 및 이벤트의 예측만. 그리고 정확히 어디에서 TA의 목표는 드문 예외를 제외하고 결코 달성되지 않았습니다. 대부분 "파손된 곳에서 거래합니다."
EconMod, 나는 백기를 던졌습니다. 이렇게 일하는 것도 지겹다. 진실은 7 페이지 전에 단어를 삽입하려는 시도를 중단했습니다. 오줌을 위해 오줌, 그것은 내 것이 아닙니다. 나는 어린 시절부터 침묵했다.
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.
그것이 문제의 핵심이며, 그것이 내 게시물에서 의미 했던 것입니다. 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.
고전적인 경우인 비행기를 예로 들어 보겠습니다. 이론에 따르면 성공적인 분류를 생성하려면 데이터(평면의 경우)가 선형으로 분리 가능해야 합니다.
비행기는 고전적인 경우가 아니라 고전적인 예 입니다. 그리고 이러한 간단한 분리 가능성은 아이디어를 명확하게 설명하기 위해서만 이러한 예에서 사용됩니다.
실용적인 관점에서 받아들일 수 있는 분류를 구축하기 위해서는 특징 벡터의 차원을 점진적으로 증가시킬 필요가 있다. 이 경우 클래스 분할은 반드시 비선형입니다.