일부 유형의 신경망의 경우 모든 학습 결과가 이전 학습과 일대일로 일치하지는 않지만(결과) 학습 오류와 동일한 정확도로 동일합니다.
NN은 수학을 기반으로 할 뿐만 아니라(예, NN 훈련은 수학적 계산입니다), NN의 유형, NN의 구조가 중요합니다. 활성화 함수, 분류 또는 회귀의 NN을 가르치는 것은 무엇입니까? 국회가 나에게 그런 결과를 주었다고 말할 수는 없습니다. 그녀가 옳거나 반대로 국회가 거짓말을 하고 있습니다. NN이 블랙박스인 이유는 NN을 그렇게 부르고 싶어서가 아니라 NN 이 블랙박스 모델을 사용하기 때문입니다.
Dmitry, 귀하의 답변을 더 자세히 설명하십시오. 그러나 종속성에 대한 세부 사항은 다루지 마십시오. 그러나 기초가 되는 것은 수학입니다. 제 생각에는 (IMHO) 인간의 행동도 수학을 기반으로 한다고 생각합니다. 그 자체가 더 복잡하지만 또한 1 + 1 = 2
신경망이 사용되는 방식에 대해 약간 알아야 합니다. 입력 이미지가 있고 출력 결과가 있습니다. 이러한 쌍(입력 이미지-결과)이 많이 있으면 신경망이 훈련 됩니다. 동시에 어떤 이미지가 정확히 그러한 결과를 제공하는 이유에 대해 아무도 신경 쓰지 않습니다. 단순히 실험적 사실 세트가 있고 그게 전부입니다. 그런 다음 분석된 이미지가 훈련된 네트워크의 입력으로 제공되고 결과가 출력에서 표시됩니다.
신경망이 사용되는 방식에 대해 약간 알아야 합니다. 입력 이미지가 있고 출력 결과가 있습니다. 이러한 쌍(입력 이미지 - 결과)이 많이 있으면 신경망이 훈련됩니다. 동시에 어떤 이미지가 정확히 그러한 결과를 제공하는 이유에 대해 아무도 신경 쓰지 않습니다. 단순히 실험적 사실 세트가 있고 그게 전부입니다. 그런 다음 분석된 이미지가 훈련된 네트워크의 입력으로 제공되고 결과가 출력에서 표시됩니다.
방금 선생님과의 훈련에 대해 설명했습니다. 과거 데이터를 수집하고 네트워크에 가능한 한 정확하게 설명하는 수학적 법칙(모델)을 찾도록 요청할 수 있을 때. 그러나 그러한 역사적 데이터는 없지만 정렬, 정렬, 말하자면 패턴이 많이 있습니다. 이 모든 것은 서로 다른 네트워크에서 자연스럽게 이루어집니다. 즉, 하나의 네트워크가 패턴을 정렬하고 다른 네트워크가 패턴의 진실을 결정하는 다단계 AI 시스템이 설계되고 있습니다. 질문: 수학적으로 NS 없이 선반에 흩어 놓을 수 있다면 첫 번째 NS가 필요한 이유는 무엇입니까? 훨씬 더 흥미로운 것은 형성된 패턴의 진실에 대한 또 다른 질문에 대한 답변입니다.
핵심적인 조언을 원하십니까? 나는 당신이 원하는 것을 당신의 눈에서 볼 수 있습니다 :-) 좋아, 나는 그것을 예를 들어 줄 것이다.
어떤 패턴을 완성된 이벤트로 간주한다면(패턴이 형성됨), 이것은 시장을 분석할 시간만을 제공합니다. 패턴이 형성된 후 다음 막대에서 계산을 시작한다고 가정해 보겠습니다. 즉, 실제로 패턴 자체는 우리가 계산해야 할 때만 우리에게 제공하지만, 그것이 어떤 패턴인지, 어떤 조건이 형성되었는지, 형성 당시에 일어난 일, 우리는 그것을 국회. 어떤 패턴이 우리에게 분석 시간을 제공한다는 조건을 취하면 10개의 패턴 세트가 있으면 분석을 위해 훨씬 더 많은 막대를 얻을 수 있습니다. "머리와 어깨"에 대해 하나의 네트워크를 훈련할 필요가 없고 "세 군인"에 대해 다른 네트워크를 훈련할 필요가 없습니다. 그러나 그것이 어떤 패턴인지를 국회에 알리는 것은 반드시 필요하며, 이는 매우 간단하게 이루어집니다.
그래서 최소한 5개의 매수 패턴과 5개의 매도 패턴을 결정할 수 있는 지표를 작성했습니다 . 당연히 패턴의 미래 순서는 알 수 없으며 무작위로 나타납니다. 저를 믿으십시오. 어떤 종류의 NN 패턴이 절대적으로 중요하지 않은지, 패턴 세트를 형성할 때 입력 데이터 세트를 보고 이론적으로 패턴이 기본적으로 다르면 입력 세트도 크게 다릅니다. 네트워크에서 볼 수 있을 만큼. 그러나 이것은 우리에게 충분하지 않으며 그리드에게 그것이 어떤 종류의 패턴인지 강제로 알려주고 싶습니다. 이것은 매우 간단하게 수행됩니다. 패턴은 -5에서 +5까지 인코딩되며 데이터 변환의 초기 단계에서 입력 값이 곱해집니다. 곱셈은 Y축을 따라 데이터를 분산시켜 한 패턴의 데이터에 같은 수를 곱하여 일정 거리만큼 이동하도록 합니다. 결과적으로 입력은 패턴 유형에 따라 달라집니다. 그리고 우리가 끝내는 것:
1. 패턴을 결정하고 분석을 위한 신호를 생성하는 기본 지표를 작성합니다.
2. 입력 데이터 세트 정의
3. NN의 내부 구조, 학습 방법, 오류 분석 방법 등을 결정합니다.
4. 기본 인디케이터에서 출력 변수에 대한 버퍼를 만듭니다. 가장 최근 패턴의 결과는 우리에게 알려져 있지 않다는 것을 기억하십시오. 미래의 값이 패턴에 할당되도록 버퍼를 만들어야 합니다. 교육 파일을 저장할 때 마지막 패턴을 제외한 모든 패턴의 결과를 알 수 있습니다.
우리가 알지 못하는 신경망을 사용하여 임의의 패턴을 정말로 찾고 싶다고 가정해 봅시다. 질문: 패턴 자체를 모른다면 무엇을 알 수 있습니까? 맞습니다. 우리는 이러한 패턴에 대한 반응을 알고 있습니다. 아니 오히려 우리 자신이 패턴을 찾을 조건을 선택해야 합니다. 문제 진술을 공식화합시다.
다음 4개의 양초 동안 비율이 10% 이상 변한 후 5개의 양초의 패턴을 찾으십시오. 당연히 역사에서 우리는 이러한 종류의 언로딩을 조직하고 각 경우에 대한 시장 반응에 앞서 5개의 막대로만 구성된 교육 파일을 구성할 수 있습니다. 다음으로, 성장 이전의 막대에 대해 1을 발행하고 다른 모든 막대에 대해 -1을 발행하도록 네트워크를 훈련합니다. 훈련 후, 우리는 마지막 5개 막대에 대한 데이터를 네트워크 입력에 대해 막대 단위로 체계적으로 공급하기 시작합니다. 그리드가 1을 표시하면 입력은 훈련에 있었던 패턴과 정확히 같거나 거의 비슷합니다.
이 접근 방식을 사용하면 패턴의 종류와 매개 변수가 무엇인지 알 수 없습니다. 참고로 입력시 5바 이내로 제한했는데, 이 숫자가 플로팅인 경우 훈련 중에 입력창도 조정을 하면 최적화 결과 의 수가 몇 배나 증가하고 패턴의 수가 저장된 데이터의 수가 되고, 각 레코드가 너무 고유하여 1000개의 레코드 중 1000개의 클러스터가 있는 경우. 임호!
어떤 한계가 있기는 하지만 접근 방식에는 여지가 있다고 생각합니다. 어떠한 경우에도 엿보기 등의 중요한 규칙에 위배되지 않습니다.
"사람이 설명하는"과 "신경망이 고려하는" 사이에 차이점이 있다고 생각하십니까?
신경망은 종속성에 대한 세부 정보 없이 예제에 대해 학습됩니다.
그게 다야 먼저 다양한 "헤드-숄더"의 100,500가지 예를 준비하고 이러한 예에 대해 가르쳐야 합니다.
일반적으로 가격 패턴은 매우 수학적으로 설명되어 있으므로 NN이 필요하지 않습니다. 그러나 잘못된 패턴의 징후를 찾으려는 시도는 정확히 NN의 작업입니다.
"사람이 설명하는"과 "신경망이 고려하는" 사이에 차이점이 있다고 생각하십니까?
신경망은 종속성에 대한 세부 정보 없이 예제에 대해 학습됩니다.
Dmitry, 귀하의 답변을 더 자세히 설명하십시오. 종속성에 대한 세부 사항으로 들어가지 마십시오. 그러나 기초가되는 것은 수학입니다. (IMHO) 인간의 행동도 수학을 기반으로한다고 생각합니다. 자체가 더 복잡하지만 또한 1 + 1 = 2
더 복잡하지만 1+1=2
NS 1+1 = 2의 경우, 그러나 주어진 정확도로
일부 유형의 신경망의 경우 모든 학습 결과가 이전 학습과 일대일로 일치하지는 않지만(결과) 학습 오류와 동일한 정확도로 동일합니다.
NN은 수학을 기반으로 할 뿐만 아니라(예, NN 훈련은 수학적 계산입니다), NN의 유형, NN의 구조가 중요합니다. 활성화 함수, 분류 또는 회귀의 NN을 가르치는 것은 무엇입니까? 국회가 나에게 그런 결과를 주었다고 말할 수는 없습니다. 그녀가 옳거나 반대로 국회가 거짓말을 하고 있습니다. NN이 블랙박스인 이유는 NN을 그렇게 부르고 싶어서가 아니라 NN 이 블랙박스 모델을 사용하기 때문입니다.
Dmitry, 귀하의 답변을 더 자세히 설명하십시오. 그러나 종속성에 대한 세부 사항은 다루지 마십시오. 그러나 기초가 되는 것은 수학입니다. 제 생각에는 (IMHO) 인간의 행동도 수학을 기반으로 한다고 생각합니다. 그 자체가 더 복잡하지만 또한 1 + 1 = 2
신경망이 사용되는 방식에 대해 약간 알아야 합니다. 입력 이미지가 있고 출력 결과가 있습니다. 이러한 쌍(입력 이미지-결과)이 많이 있으면 신경망이 훈련 됩니다. 동시에 어떤 이미지가 정확히 그러한 결과를 제공하는 이유에 대해 아무도 신경 쓰지 않습니다. 단순히 실험적 사실 세트가 있고 그게 전부입니다. 그런 다음 분석된 이미지가 훈련된 네트워크의 입력으로 제공되고 결과가 출력에서 표시됩니다.
신경망이 사용되는 방식에 대해 약간 알아야 합니다. 입력 이미지가 있고 출력 결과가 있습니다. 이러한 쌍(입력 이미지 - 결과)이 많이 있으면 신경망이 훈련됩니다. 동시에 어떤 이미지가 정확히 그러한 결과를 제공하는 이유에 대해 아무도 신경 쓰지 않습니다. 단순히 실험적 사실 세트가 있고 그게 전부입니다. 그런 다음 분석된 이미지가 훈련된 네트워크의 입력으로 제공되고 결과가 출력에서 표시됩니다.
방금 선생님과의 훈련에 대해 설명했습니다. 과거 데이터를 수집하고 네트워크에 가능한 한 정확하게 설명하는 수학적 법칙(모델)을 찾도록 요청할 수 있을 때. 그러나 그러한 역사적 데이터는 없지만 정렬, 정렬, 말하자면 패턴이 많이 있습니다. 이 모든 것은 서로 다른 네트워크에서 자연스럽게 이루어집니다. 즉, 하나의 네트워크가 패턴을 정렬하고 다른 네트워크가 패턴의 진실을 결정하는 다단계 AI 시스템이 설계되고 있습니다. 질문: 수학적으로 NS 없이 선반에 흩어 놓을 수 있다면 첫 번째 NS가 필요한 이유는 무엇입니까? 훨씬 더 흥미로운 것은 형성된 패턴의 진실에 대한 또 다른 질문에 대한 답변입니다.
핵심적인 조언을 원하십니까? 나는 당신이 원하는 것을 당신의 눈에서 볼 수 있습니다 :-) 좋아, 나는 그것을 예를 들어 줄 것이다.
어떤 패턴을 완성된 이벤트로 간주한다면(패턴이 형성됨), 이것은 시장을 분석할 시간만을 제공합니다. 패턴이 형성된 후 다음 막대에서 계산을 시작한다고 가정해 보겠습니다. 즉, 실제로 패턴 자체는 우리가 계산해야 할 때만 우리에게 제공하지만, 그것이 어떤 패턴인지, 어떤 조건이 형성되었는지, 형성 당시에 일어난 일, 우리는 그것을 국회. 어떤 패턴이 우리에게 분석 시간을 제공한다는 조건을 취하면 10개의 패턴 세트가 있으면 분석을 위해 훨씬 더 많은 막대를 얻을 수 있습니다. "머리와 어깨"에 대해 하나의 네트워크를 훈련할 필요가 없고 "세 군인"에 대해 다른 네트워크를 훈련할 필요가 없습니다. 그러나 그것이 어떤 패턴인지를 국회에 알리는 것은 반드시 필요하며, 이는 매우 간단하게 이루어집니다.
그래서 최소한 5개의 매수 패턴과 5개의 매도 패턴을 결정할 수 있는 지표를 작성했습니다 . 당연히 패턴의 미래 순서는 알 수 없으며 무작위로 나타납니다. 저를 믿으십시오. 어떤 종류의 NN 패턴이 절대적으로 중요하지 않은지, 패턴 세트를 형성할 때 입력 데이터 세트를 보고 이론적으로 패턴이 기본적으로 다르면 입력 세트도 크게 다릅니다. 네트워크에서 볼 수 있을 만큼. 그러나 이것은 우리에게 충분하지 않으며 그리드에게 그것이 어떤 종류의 패턴인지 강제로 알려주고 싶습니다. 이것은 매우 간단하게 수행됩니다. 패턴은 -5에서 +5까지 인코딩되며 데이터 변환의 초기 단계에서 입력 값이 곱해집니다. 곱셈은 Y축을 따라 데이터를 분산시켜 한 패턴의 데이터에 같은 수를 곱하여 일정 거리만큼 이동하도록 합니다. 결과적으로 입력은 패턴 유형에 따라 달라집니다. 그리고 우리가 끝내는 것:
1. 패턴을 결정하고 분석을 위한 신호를 생성하는 기본 지표를 작성합니다.
2. 입력 데이터 세트 정의
3. NN의 내부 구조, 학습 방법, 오류 분석 방법 등을 결정합니다.
4. 기본 인디케이터에서 출력 변수에 대한 버퍼를 만듭니다. 가장 최근 패턴의 결과는 우리에게 알려져 있지 않다는 것을 기억하십시오. 미래의 값이 패턴에 할당되도록 버퍼를 만들어야 합니다. 교육 파일을 저장할 때 마지막 패턴을 제외한 모든 패턴의 결과를 알 수 있습니다.
5. 우리는 일반화 능력의 존재에 대해 얻은 모델을 확인하기 위한 방법론을 개발합니다.
델로프 그럼.......
그리고 지점 이름을 보니 또 한 가지 재미있는 점이 떠올랐다.
우리가 알지 못하는 신경망을 사용하여 임의의 패턴을 정말로 찾고 싶다고 가정해 봅시다. 질문: 패턴 자체를 모른다면 무엇을 알 수 있습니까? 맞습니다. 우리는 이러한 패턴에 대한 반응을 알고 있습니다. 아니 오히려 우리 자신이 패턴을 찾을 조건을 선택해야 합니다. 문제 진술을 공식화합시다.
다음 4개의 양초 동안 비율이 10% 이상 변한 후 5개의 양초의 패턴을 찾으십시오. 당연히 역사에서 우리는 이러한 종류의 언로딩을 조직하고 각 경우에 대한 시장 반응에 앞서 5개의 막대로만 구성된 교육 파일을 구성할 수 있습니다. 다음으로, 성장 이전의 막대에 대해 1을 발행하고 다른 모든 막대에 대해 -1을 발행하도록 네트워크를 훈련합니다. 훈련 후, 우리는 마지막 5개 막대에 대한 데이터를 네트워크 입력에 대해 막대 단위로 체계적으로 공급하기 시작합니다. 그리드가 1을 표시하면 입력은 훈련에 있었던 패턴과 정확히 같거나 거의 비슷합니다.
이 접근 방식을 사용하면 패턴의 종류와 매개 변수가 무엇인지 알 수 없습니다. 참고로 입력시 5바 이내로 제한했는데, 이 숫자가 플로팅인 경우 훈련 중에 입력창도 조정을 하면 최적화 결과 의 수가 몇 배나 증가하고 패턴의 수가 저장된 데이터의 수가 되고, 각 레코드가 너무 고유하여 1000개의 레코드 중 1000개의 클러스터가 있는 경우. 임호!
어떤 한계가 있기는 하지만 접근 방식에는 여지가 있다고 생각합니다. 어떠한 경우에도 엿보기 등의 중요한 규칙에 위배되지 않습니다.
선생님이 있어도, 선생님이 없어도 같은 것의 다른 면을 봅니다. 상황과 결과를 알아야 합니다. 그렇지 않으면 아무것도 배울 수 없습니다. 그리고 스크램블 에그에 대한 하나님의 선물은 필요하지 않습니다. 즉, 훈련과 분류입니다.
교사 없이 학습할 때 원칙적으로 결과를 알 수 없습니다. 이 경우 어떻게 하나요?
Mihail Marchukajtes :
Michael, 신경망은 조금 다르게 작동합니다. 원하는 대로 작동하지 않습니다.
교사 없이 학습할 때 원칙적으로 결과를 알 수 없습니다. 이 경우 어떻게 하나요?
분류만. 네트워크는 상황(이미지)을 구별하는 법을 배우지만 어떤 경우에 무엇을 해야 하는지 또는 어떤 이미지에 이름을 지정하는 방법을 알지 못합니다.