Redes neuronais artificiais. - página 9
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
Mas também trouxe um argumento contra ela. A câmara já ultrapassou muitas vezes as capacidades do olho, se é também um telescópio. ))
Declaração duvidosa, toda a astronomia foi trabalhada antes da descoberta do telescópio por aqueles com olhos normais, neste negócio o principal não é a transmissão da imagem mas a sua interpretação, embora eu concorde que o homem com olhos de 10 metros é uma visão assustadora :)
A propósito, o computador também ultrapassou um ser humano em muitos aspectos, embora não tenha sido criado à semelhança do cérebro.
...
.... E o melhor é que, filtrando a informação desnecessária e criando um modelo matemático do mercado, pode-se construir um TS eficaz sem NS.
Declaração duvidosa, toda a astronomia foi trabalhada antes da descoberta do telescópio pelo olho normal, o principal neste negócio não é a transmissão da imagem mas a sua interpretação, embora eu concorde que o homem com olhos de 10 metros é uma visão assustadora :)
A propósito, o computador também ultrapassou o homem em muitos aspectos, embora não tenha sido criado à semelhança do cérebro.
Mas o modelo informático actual já está "a ranger pelas costuras". É difícil e até quase impossível continuar a desenvolver-se. É por isso que Kwabena et al estão a tentar implementar um modelo semelhante ao do cérebro.
E se um homem for aumentado na proporção de 10 m de olhos telescópicos, não terá mais um aspecto assustador. Ou se fizer os telescópios mais pequenos para o tamanho actual dos olhos, é claro. )))
Triste pelo tempo perdido - não poderia ter-se envolvido em NS, mas poderia ter-se envolvido directamente na análise e filtragem de dados
ZS: Não foi minha intenção, mas ainda assim direi como vejo o que todos os principiantes procuram em NS, pelo menos figurativamente: se não um belo nome"redes neuronais", mas por exemplo "ajuste matemático de regressão exponencial", então haveria menos interesse e expectativas para tal ferramenta matemática, e graças ao nome sonoro as pessoas esperam milagres de "régua logarítmica inteligente".
Mas o modelo informático actual já está "a ranger pelas costuras". É difícil e até quase impossível continuar a desenvolver-se. É por isso que os mesmos Kwabena et al estão a tentar realizar um modelo semelhante ao cérebro.
E se um homem for aumentado na proporção de 10 m de olhos telescópicos, não terá mais um aspecto assustador. Ou se fizer os telescópios mais pequenos para o tamanho actual dos olhos, é claro. )))
A própria matemática informática implementou métodos de 300 anos atrás, e é por isso que é um impasse.
A matemática praticamente não desenvolve métodos paralelos é o cerne do problema.
O principal que vale a pena pedir emprestado é o paralelismo dos métodos e a NS é um passo em frente a este respeito, mas a cópia do trabalho de NS de acordo com a NS natural é um passo atrás.
É óptimo que conheça pessoalmente tais investigadores. Por acaso conhece Henry Markram? A sua previsão em 2009 foi de 10 anos. :) Pergunto-me onde estará ele agora.
Henry Markram está a construir um cérebro num supercomputador.
Não, não pessoalmente. Mas eu estou familiarizado com o seu projecto de cérebro azul. Markram acredita que só seremos capazes de compreender e copiar a forma como os nossos cérebros funcionam se modelarmos com precisão como funciona um neurónio (canais iónicos, equações de difusão que descrevem o movimento iónico e a propagação do impulso eléctrico através do corpo do neurónio, atrasos, etc.). Em 2009, a IBM anunciou ao mundo que tinha modelado um cérebro de gato. Markram estava bastante amargo(http://spectrum.ieee.org/tech-talk/semiconductors/devices/blue-brain-project-leader-angry-about-cat-brain), afirmando que os investigadores da IBM tinham utilizado neurónios acoplados a pontos, ou seja, modelos matemáticos simples (tais como neurónios de redes clássicas com a sua soma de entradas ponderadas e função de activação não linear). Outro cientista interessante neste campo é Penrose. Assim, ele afirma que mesmo conhecendo todos os detalhes das trocas iónicas, reacções químicas e propagação de impulsos através do corpo do neurónio não é suficiente para compreender e explicar como funciona o cérebro. Ele argumenta que isso só é possível dadas as reacções quânticas dentro dos neurónios (teoria de Hameroff-Penrose). Leia aqui https://en.wikipedia.org/wiki/Quantum_mind. Penrose afirma também que através destas reacções quânticas, o nosso cérebro é capaz de "ir" para outras dimensões e daí retirar conhecimento. Veja as suas palestras (Roger Penrose) no youtube. São extremamente interessantes.
Não estou familiarizado com as previsões de Markram. Até aos anos 90, os neurobiólogos acreditavam que a informação entre neurónios trocava como uma série de impulsos que podiam ser descritos por um número, que era de onde vinham as redes clássicas. Em meados dos anos 90, os cientistas descobriram que o timing dos impulsos individuais era mais importante do que o seu número ao longo de um período de tempo. Markram e outros cientistas descobriram uma nova regra que altera os pesos sinápticos, nomeadamente o STDP. Muitos neurobiólogos nos últimos 10 anos começaram a construir as chamadas redes de picos, nas quais a informação é distribuída como pulsos (como um sinal binário 0/1), e os pesos variam por STDP. Estes neurocientistas começaram a argumentar que a razão pela qual as redes clássicas não conduziam a robôs era porque descreviam incorrectamente a informação (números em vez de pulsos), o neurónio (soma das entradas ponderadas em vez de equações de difusão), e a mudança de pesos (regra de Hebb em vez de STDP). Mas infelizmente estas novas redes de picos ainda não ultrapassaram as redes clássicas em capacidade. Além disso, requerem muito mais poder informático. Portanto, não há muito progresso em neurobiologia até agora, e não devemos esperar novas redes capazes de revelar padrões.
Ou seja, se criou um modelo que descrevesse as alterações de pesos durante os movimentos do mercado, os resultados poderiam ser diferentes, não tão deprimentes. Já fez este tipo de investigação?
Faça-o à sua vontade.
Isto exigiria uma segunda grelha, que procuraria padrões de alterações nos pesos da primeira grelha em resposta aos movimentos do mercado. Depois seria necessária uma terceira grelha, que também procuraria dependências na segunda grelha com alterações na primeira e no mercado. Depois um quarto ...
Suponhamos que criámos um modelo que descreve as mudanças de pesos no mercado. O que fazemos com ele a seguir?
Aceite-o à sua vontade.
Isto exigirá uma segunda grelha, que procurará um padrão de alterações nos pesos da primeira grelha, dependendo das alterações no mercado. Depois é necessária uma terceira grelha, que também irá procurar dependências na segunda grelha quando a primeira grelha e o mercado mudarem. Depois um quarto ...
E aqui estava eu a retirar dinheiro do mercado durante 3 anos, sem saber que depois da primeira grelha seria necessária a segunda ...
Para mim, uma pessoa com uma mente analítica, é perigoso ler tais tópicos, deixo de ganhar, não estou a pensar nisso....
E aqui estava eu a retirar dinheiro do mercado durante 3 anos sem saber que, após a primeira rede, precisaria de uma segunda...
Ou seja, se criou um modelo que descrevesse as alterações de pesos durante os movimentos do mercado, os resultados poderiam ser diferentes, não tão deprimentes. Já fez este tipo de investigação?
Não, não o fiz. Acho que nada de bom sairá disso. Aqui estão os meus pensamentos. Suponhamos que utilizamos a regressão polinomial em vez de uma rede, que é outra forma de modelação universal não linear. Assim, a nossa tarefa é adequar o polinómio
y = a0 + a1*x + a2*x^2 + ...
nos nossos dados y(x), encontrando coeficientes a0, a1, a2,... que reduzem o erro do nosso modelo polinomial. Sabemos que o nosso modelo polinomial só é bom nos dados em que o ajuste foi efectuado. Essencialmente propõe-se fazer os coeficientes do modelo a0, a1, a2,... (os mesmos pesos da rede) depender dos dados introduzidos, para tornar o modelo mais robusto em relação aos dados não aprendidos, ou seja, fazer a1(x), a2(x),... Ok. Descrevemos cada coeficiente por um polinómio diferente:
a1 = b0 + b1*x + b2*x^2 +...
a2 = c0 + c1*x + c2*x^2 +...
...
Substituir estes coeficientes no nosso primeiro modelo e o que é que obtemos? O mesmo polinómio mas de ordem superior que pode descrever com maior precisão os dados de formação mas que tem um mau desempenho em relação aos novos dados. É exactamente o mesmo com as redes. Uma rede treina outra, que treina uma terceira e assim por diante, não é mais do que uma grande rede. Não teremos um comportamento mais preciso em relação a novos dados. Mas se alguém quiser testar esta ideia, informe-nos dos resultados.