O "New Neural" é um projecto de motor de rede neural Open Source para a plataforma MetaTrader 5. - página 21
Você está perdendo oportunidades de negociação:
- Aplicativos de negociação gratuitos
- 8 000+ sinais para cópia
- Notícias econômicas para análise dos mercados financeiros
Registro
Login
Você concorda com a política do site e com os termos de uso
Se você não tem uma conta, por favor registre-se
Os sentimentos de Andrey (TheExpert) sobre a natureza utópica desta ideia devem ser deixados de lado até que o perito contratado, o administrador do projecto e o consilium final dos participantes anunciem este veredicto. Entretanto, o assunto permanece em cima da mesa.
E como consequência, você tem que ajustar seus objetivos a fim de alcançar pelo menos a semelhança.
Meu, parece que não me compreendes completamente. Estou no lado pessimista e pessimista.
Sim, a biblioteca deve ser universal, como um conjunto de Lego - você pode montar o que quiser.
Então, não há problema! Mas ensinem cada um separadamente. Você pode fazê-lo pela funcionalidade, o treinamento cooperativo é um inferno ou um monstro desajeitado que vai passar uma hora para aprender XOR.
Sim, a biblioteca deve ser fácil de usar, o que requer um especialista em modelos. Fácil de usar para que possa ser usado por um não-programador.
Teoricamente, é possível criar um par de EAs modelo e automatizar sua alimentação de dados para simplificação e não-programadores. Mas os dados devem ser preparados por si mesmo de qualquer maneira.
Sim, a biblioteca deve ter uma interface universal tanto na entrada como na saída, para que você possa conectar tudo a ela, desde valores indicadores até...
Então é universal! Um conjunto de rublos - quanto mais universal? O importante na comissão é que as dimensões coincidam ao atracar.
Estamos a falar da mesma coisa? A função de destino é a que calcula o erro de saída da rede.
....
Já é universal! Uma série de duplas é muito mais universal? E o principal num comité é certificar-se de que as dimensões correspondem quando atracado.
Como assim? Por uma questão de versatilidade, a AG está certa:
O algoritmo do motor é tão simplificado para maior clareza:
Se quisermos adicionar uma grade MLP, perguntamos quantos pesos ela terá se inserirmos 20 valores, 10 neurônios na primeira camada oculta, 10 na segunda e 1 na saída?
Diz-nos que 244.
Queremos adicionar outra grelha (seja ela qual for), por isso perguntamos novamente a ..... e ela diz-nos 542.
portanto 244+542=786.
Também queremos otimizar SL e TP e queremos adicionar mais dois parâmetros, portanto 786+2=788.
também queremos otimizar macdi, ele tem dois parâmetros, portanto 788+2=790.
OK, nós redimensionamos a matriz para 790.
e voilá! Vamos otimizar 790 parâmetros em AG.
e então você pode adicionar tipos de rede e outras coisas o máximo possível, mantendo os padrões de interface unificados (desenvolvidos com antecedência).
algo parecido com isto.
Vamos fazer um motor gráfico, fazer uma rede universal (um par de variantes) e depois convidar um especialista para a interpretar.
Podemos torná-lo ainda mais simples.
Nesta situação passamos do particular ao geral, com uma tentativa de abstrair para modelos universais.
1. Desenhar (no papel + algoritmo verbal da matriz) redes que podemos implementar (topologia e métodos de treinamento para eles).
2. Encontre pontos de ancoragem comuns nos modelos desenhados para criar classes de motores abstractos.
Precisamos de olhar para mais modelos para puxar os blocos de construção básicos desta forma.
Esta abstração é necessariamente vista do ângulo dos conceitos da linguagem humana ("criar", "aprender", "consertar um bug"). Uma vez que isto irá, em primeiro lugar, tornar o modelo claro para o utilizador comum. Em segundo lugar, tais noções funcionais podem ser facilmente estendidas a novas topologias e métodos.
Podemos torná-lo ainda mais simples.
Nesta situação, passamos do particular ao geral, com uma tentativa de abstrair para modelos universais.
1. Desenhar (em papel + algoritmo verbal matmodel) redes que podemos implementar (topologia e métodos de treinamento).
2. Encontre pontos de ancoragem comuns nos modelos desenhados para criar classes de motores abstractos.
Precisamos de olhar para mais modelos para puxar os blocos de construção básicos desta forma.
Esta abstração é necessariamente vista do ângulo dos conceitos da linguagem humana ("criar", "aprender", "corrigir um bug"). Uma vez que isto irá, em primeiro lugar, tornar o modelo claro para o utilizador comum. Em segundo lugar, tais funções e noções podem ser facilmente estendidas a novas topologias e métodos.
Eu desenhei um neurónio universal na página 12, mas falta algo.
Nomeadamente as células de recepção de memória no ativador.
Mas vou passar sobre os métodos de treinamento. Deixe os matemáticos cuidarem disso :o)
Outro imho. É pouco provável que encontre um consultor especializado no exterior que satisfaça os seus requisitos. Se você tem um orçamento, não importa de que tipo, é mais eficaz dividi-lo entre você no final do projeto, seja igualmente ou não igualmente, com base em uma avaliação subjetiva das metáquotas.
Espere um minuto com o orçamento, eu pessoalmente escolhi o primeiro item da pesquisa, e não estou reclamando aqui pelo metal.
E sobre um forasteiro, depende de onde você olha, pelo menos deveria ser um matemático por treinamento.
Não perto da matemática, mas de um matemático.
Espere um minuto com o orçamento, eu pessoalmente escolhi o primeiro ponto da pesquisa, e não estou secando meu cérebro aqui por metal.
E sobre um forasteiro, depende de onde você olha, pelo menos deveria ser um matemático por educação.
Não perto do matematicheskoy, ou seja, do matemático.
Sergeev:
2. Encontre pontos de ancoragem comuns nos modelos desenhados para criar classes de motores abstractos.
A propósito, Vladimir, você gostaria de expressar a sua visão e as suas malhas mais amplamente?
Na minha opinião, as grelhas estão divididas em grelhas de modelação e classificação. Os modeladores tentam prever o próximo preço com base em alguns dados de insumos, por exemplo, preços anteriores. Tais redes-modelos não podem ser aplicadas ao mercado, IMHO. As redes classificadoras tentam classificar os dados de entrada, ou seja, Comprar/Vender/Detenção ou Tendência/plano e ou outra coisa qualquer. Isto é o que eu acho interessante. A rede classificadora mais promissora na minha opinião é a SVM com a correcta transformação dos dados de entrada. Eu diria que a rede em si não é tão importante como a transformação dos dados de entrada, ou seja, em vez da SVM podemos usar outra coisa, como o RBN. Nos últimos dois anos tenho trabalhado em redes baseadas no cérebro (a propósito, o MLP e a maioria das outras redes não têm nada em comum com o cérebro). O cérebro tem várias camadas para transformação de dados de entrada (som, imagem, etc.) com algum motor de classificação como o VSM. A transformação de dados no cérebro é feita, como de costume, através de filtragem e redução da dimensionalidade. As características do filtro são treinadas sem um professor, utilizando aprendizagem competitiva Hebbian ou outros métodos de auto-aprendizagem. A classificação dos dados filtrados é feita com um professor (feedback). Escreverei mais detalhes mais tarde.
MLP
MLP generalizado
Redes modulares de redes de computadores
Mapas auto-organizados
Gás neural
Aprendizado competitivo - promissor
Hebbian - promissor
FFCPA
Redes de base radial
LSTM
Time lagged recurrent
Parcialmente recurrent
Redes Wavelet
Totalmente recurrent
Neuro-fuzzy
Support Vector Machines - promissor
Arquiteturas personalizadas - promissor