분류만. 네트워크는 상황(이미지)을 구별하는 법을 배우지만 어떤 경우에 무엇을 해야 하는지 또는 어떤 이미지에 이름을 지정하는 방법을 알지 못합니다.
당신이 완전히 혼란스러워하고 사람들을 오도하는 것. 분류는 감독되거나 감독되지 않을 수 있습니다. 교사와 함께 네트워크를 훈련하는 경우 일반적으로 출력 변수는 0과 1로 구성되며 이 경우 행동을 촉구하는 출력 변수입니다. (0 매도 1 매수) 네트워크는 입력 벡터를 이 두 클래스로 분할하려고 합니다. 제시된 각 벡터를 하나 또는 다른 클래스에 할당하는 것이 더 정확합니다. 세금 .... 이 벡터는 1이지만 이 벡터는 이미 0일 것입니다.
비지도 학습에는 "클래스 수" 매개변수의 초기 설정이 포함됩니다. 1000개의 레코드 샘플이 있고 이를 두 개의 클래스로 나누면 한 클래스는 0이 되고 다른 클래스는 자연스럽게 1이 된다고 가정해 보겠습니다. 데이터의 거리에 따라 두 더미로 흩어 버리면 됩니다. 결국, 입력 벡터를 다차원 공간에서 한 점의 좌표로 나타내면 실제로 점 사이의 거리가 500개 점의 두 구름을 그룹화할 때 결정적입니다. 다차원 공간을 상상하려고 하지 마십시오. 3차원을 상상해보십시오. 평범한. 결과적으로 분할해야 하는 포인트 클라우드가 있습니다.
첫 번째 경우에는 네트워크 응답이 가능한 한 목적 함수에 가깝게 되도록 강제로 분할하고 최적화를 최대한 방해하면서 최대한 가깝게 하려고 합니다. 즉, 단순히 색상을 변경하여 점 구름을 원하는 대로 분할할 수 있습니다. 0을 팔 때 이익을 낸 것들, 1을 살 때 산 것들, 이 평면의 오른쪽에 0을, 왼쪽에 0을 남겨 두면서 초평면을 그렸는지 여부는 또 다른 문제입니다. 옵션. 예로서.
두 번째 경우, 교사 없이 학습이 이루어질 때 우리는 어리석게도 이 점들을 다차원 공간에서 서로의 근접성만으로 빨간색과 파란색으로 색칠합니다. 샘플을 얼마나 많은 클래스로 나누어야 하는지 지정하지 않고 네트워크 자체에서 샘플에 클래스가 몇 개 있는지 결정하며 클래스 수가 중요한 최적화 결과 가 될 때 이 방법에서 옵션을 사용할 수도 있습니다. 지금 막 완성된 조각을 추정합니다. 이동 중에 포스팅합니다. 옵티마이저가 1000개의 벡터를 5개의 클래스로 나눴다고 가정합니다. 어떻게 해야 할까요? 누가 누구입니까??? 그리고 이제 Ta daaaaaaaa .... 자, 여기 팡파르 소리처럼 들리지 않습니다 :-)
5개의 클래스를 받은 후 어떤 클라우드가 무엇에 속하는지 수동으로 분류해야 합니다. 그것을 하는 방법. 각 클라우드를 한 클래스에서 먼저 실행한 다음 다른 클래스에서 실행해야 하며 오류가 적은 경우 체크된 클라우드가 해당 클래스에 속합니다. 그리고 이진 분류에 4개의 클래스가 있다는 것을 고려하면 최적화 결과를 행동 지침으로 매우 침착하게 해석하고 그렇게 될 것입니다.
두 접근 방식의 차이점은 한 가지 방식에서만 가능하며, 다른 방식에서는 최적화 전에 조치 지침이 준비됩니다. 글쎄, 누가 무엇에 있는지, 스스로 알아 내려고 노력하십시오. 그래서 .... 영감을 받은 것 ....
분류만. 네트워크는 상황(이미지)을 구별하는 법을 배우지만 어떤 경우에 무엇을 해야 하는지 또는 어떤 이미지에 이름을 지정하는 방법을 알지 못합니다.
당신이 완전히 혼란스러워하고 사람들을 오도하는 것. 분류는 감독되거나 감독되지 않을 수 있습니다. 교사와 함께 네트워크를 훈련하는 경우 일반적으로 출력 변수는 0과 1로 구성되며 이 경우 행동을 촉구하는 출력 변수입니다. (0 매도 1 매수) 네트워크는 입력 벡터를 이 두 클래스로 분할하려고 합니다. 제시된 각 벡터를 하나 또는 다른 클래스에 할당하는 것이 더 정확합니다. 세금 .... 이 벡터는 1이지만 이 벡터는 이미 0일 것입니다.
비지도 학습에는 "클래스 수" 매개변수의 초기 설정이 포함됩니다. 1000개의 레코드 샘플이 있고 이를 두 개의 클래스로 나누면 한 클래스는 0이 되고 다른 클래스는 자연스럽게 1이 된다고 가정해 보겠습니다. 데이터의 거리에 따라 두 더미로 흩어 버리면 됩니다. 결국, 입력 벡터를 다차원 공간에서 한 점의 좌표로 나타내면 실제로 점 사이의 거리가 500개 점의 두 구름을 그룹화할 때 결정적입니다. 다차원 공간을 상상하려고 하지 마십시오. 3차원을 상상해보십시오. 평범한. 결과적으로 분할해야 하는 포인트 클라우드가 있습니다.
첫 번째 경우에는 네트워크 응답이 가능한 한 목적 함수에 가깝게 되도록 강제로 분할하고 최적화를 최대한 방해하면서 최대한 가깝게 하려고 합니다. 즉, 단순히 색상을 변경하여 점 구름을 원하는 대로 분할할 수 있습니다. 0을 팔 때 이익을 낸 것들, 1을 살 때 산 것들, 이 평면의 오른쪽에 0을, 왼쪽에 0을 남겨 두면서 초평면을 그렸는지 여부는 또 다른 문제입니다. 옵션. 예로서.
두 번째 경우, 교사 없이 학습이 이루어질 때 우리는 어리석게도 이 점들을 다차원 공간에서 서로의 근접성만으로 빨간색과 파란색으로 색칠합니다. 샘플을 얼마나 많은 클래스로 나누어야 하는지 지정하지 않고 네트워크 자체에서 샘플에 클래스가 몇 개 있는지 결정하며 클래스 수가 중요한 최적화 결과 가 될 때 이 방법에서 옵션을 사용할 수도 있습니다. 지금 막 완성된 조각을 추정합니다. 이동 중에 포스팅합니다. 옵티마이저가 1000개의 벡터를 5개의 클래스로 나눴다고 가정합니다. 어떻게 해야 할까요? 누가 누구입니까??? 그리고 이제 Ta daaaaaaaa .... 자, 여기 팡파르 소리처럼 들리지 않습니다 :-)
5개의 클래스를 받은 후 어떤 클라우드가 무엇에 속하는지 수동으로 분류해야 합니다. 그것을 하는 방법. 각 클라우드를 한 클래스에서 먼저 실행한 다음 다른 클래스에서 실행해야 하며 오류가 적은 경우 체크된 클라우드가 해당 클래스에 속합니다. 그리고 이진 분류에 4개의 클래스가 있다는 것을 고려하면 최적화 결과를 행동 지침으로 매우 침착하게 해석하고 그렇게 될 것입니다.
두 접근 방식의 차이점은 한 가지 방식에서만 가능하며, 다른 방식에서는 최적화 전에 조치 지침이 준비됩니다. 글쎄, 누가 무엇에 있는지, 스스로 알아 내려고 노력하십시오. 그래서 .... 영감을 받은 것 ....
당신이 완전히 혼란스러워하고 사람들을 오도하는 것. 분류는 감독되거나 감독되지 않을 수 있습니다.
네... 먼저 '엔터'라는 단어가 함께 쓰입니다. 2 - 모든 소에게 뿔이 있고 고라니도 뿔이 있으면 이것으로 암소가 되지 아니하느니라
"manually"라는 단어도 함께 철자됩니다. 그리고 이 "수동으로"는 "선생님"과 비슷합니다. 똑같은데 반대편에서 본 모습입니다. 그리고 교사 없이 분류만 가능합니다.
공간의 점 클러스터 형태로 분류를 표시하고 그 근접성은 일반적으로 여기에서 주제가 아닙니다. 여기서 실제 가격 값은 관심이 없습니다. 여기서 분류는 완전히 다른 방식으로 수행됩니다.
*
일반적으로 신경망은 스스로 생각하는 방법을 모르고 생각하는 방법을 전혀 모른다는 사실에 대한 대화였습니다. 신경망이 유용하려면 가르쳐야 합니다. 그리고 가르치기 위해서는 입력-출력 쌍(조건-결과)이 필요합니다.
그리고 일반적으로 "선생님과 함께"와 "선생님 없이"라는 용어는 구식입니다. 교사와 함께 학습을 자동화할 수 있습니다. 그리고 "선생님 없이" 배우는 것은 속기 쉬운 감수성 있는 본성에 대한 흥미로운 문구일 뿐입니다.
...
두 접근 방식의 차이점은 한 가지 방식에서만 가능하며, 다른 방식에서는 최적화 전에 조치 지침이 준비됩니다. 글쎄, 누가 무엇에 있는지, 스스로 알아 내려고 노력하십시오. 그래서 .... 영감을 받은 것 ....
자, 여기 있습니다.
그게 다야 먼저 다양한 "헤드 숄더"의 100,500가지 예를 준비하고 이 예에 대해 가르쳐야 합니다.
일반적으로 가격 패턴은 매우 수학적으로 설명되어 있으므로 NN이 필요하지 않습니다. 그러나 잘못된 패턴의 징후를 찾으려는 시도는 정확히 NN의 작업입니다.
그러나 논쟁의 여지가 있습니다. 패턴에 막대가 3~4개 있으면 괜찮은데 수십개 있으면? 여기에 어떤 수학이 도움이 될까요?
신경망이 패턴에서 "시선의 초점"을 어떻게 이동시키는지는 명확하지 않습니다. 예를 들어, 엘리엇 파동 패턴은 5개의 파동으로 구성되며 각 파동은 독립적인 패턴입니다. 하나의 큰 그림에서 다양한 작은 형태를 볼 수 있습니다.
아마도 모든 다양한 패턴에 대해 신경망을 훈련시키면 하나의 패턴을 여러 형태로 분해하고 많은 형태를 공통 패턴으로 수집할 수 있을까요? 아니면 기술적 능력을 넘어서는 것입니까?
그러나 논쟁의 여지가 있습니다. 패턴에 막대가 3~4개 있으면 괜찮은데 수십개 있으면? 여기에 어떤 수학이 도움이 될까요?
이것은 패턴 인식 알고리즘 이 막대의 수에 대해 불변해야 함을 의미합니다. 쉽게 해결되었습니다.
감정가를 위한 질문: 신경망에 "모양"을 확장하고, 형태 사이를 이동하고, 큰 것으로 일반화하고, 작은 것으로 나누는 방법을 일관되게 식별하도록 가르칠 수 있습니까?
사람이 어떻게하는지 개인적으로 이해합니까?
이것은 패턴 인식 알고리즘 이 막대의 수에 대해 불변해야 함을 의미합니다. 쉽게 해결되었습니다.
우리는 알고리즘이 아니라 수학적 방법에 대해 이야기하고 있습니다. 이 방법은 막대의 수에 관계없이 복잡한 패턴을 결정하는 데 사용할 수 있습니다. 직접 해보았지만 4마디 이상의 패턴은 수학적으로는 알 수 없었습니다.
"수학적"은(는) 무슨 뜻인가요? 조건 세트 내에서 막대의 OCHL 매개변수 값을 비교하고 관계 옵션을 열거합니다. if(Open[1] > Close[2] && ...)pattern = HEAD_N_SHOWLDERS;
사람이 어떻게하는지 개인적으로 이해합니까?
우리는 알고리즘이 아니라 수학적 방법에 대해 이야기하고 있습니다. 이 방법은 막대의 수에 관계없이 복잡한 패턴을 결정하는 데 사용할 수 있습니다. 직접 해보았지만 4마디 이상의 패턴은 수학적으로는 알 수 없었습니다.
"수학적"은(는) 무슨 뜻인가요? 조건 세트 내에서 막대의 OCHL 매개변수 값을 비교하고 관계 옵션을 열거합니다. if(Open[1] > Close[2] && ...)pattern = HEAD_N_SHOWLDERS;