Yapay sinir ağları. - sayfa 3

Yeni yorum
 
gpwr :

Ağ bir araçtır, farklı veriler (girdi-çıktı) için optimize edilebilen (özelleştirilebilen) bir tür evrensel doğrusal olmayan işlevdir. Bu fonksiyon herhangi bir düzenliliği ayırt edemez.

Ve orada :)

NN, girdi-çıktı verileri üzerinde eğitilir ve örüntüler genel popülasyon için evrensel ise, o zaman NN, örneklem dışında başarılı bir şekilde çalışacaktır.

Ve kalıp seçimi, NN'nin eğitimli ağırlıklarının ve transfer fonksiyonlarının analizi üzerine ek bir çalışma katmanıdır, bunu kendim hiç kişisel olarak yapmadım.

İnsan beyni, doğrusal olmayan kalıpları öğrenmede çok başarılıdır. Örneğin, Afrika'da bir yerde Bumerang kabileleri tarafından fırlatılan bir bumerangın yörüngesinin hesaplanmasını ele alalım. Tüm doğa bize verdi. Piyasada doğrusal olmayan kalıpları bilerek öğrenebilirsiniz. Şahsen kendim için aşağıdaki türden bir VBA öğreticisi yazmak istiyorum: grafikte 100-150 bar gibi bir dizi kısa alıntı görüntülenecek ve gelecekte fiyatın genel yönünü tahmin etmem gerekecek. 50 bar. Yukarı/aşağı tuşlarına basacağım ve program cevabımı ve doğru tahminde bulunup bulunmadığımı kaydedecek. Bundan sonra, grafik zaman ekseni vb. boyunca rastgele kaydırılır. Sonuç olarak, ya öğreneceğim (tahmin edilen yol tariflerinin yüzdesi artacak) ya da öğrenmeyeceğim (özür dilerim, işe yaramadı). Beyin öğrenmesine iyi bir örnek olurdu.

 
gpwr :

Ağ bir araçtır, farklı veriler (girdi-çıktı) için optimize edilebilen (özelleştirilebilen) bir tür evrensel doğrusal olmayan işlevdir. Bu fonksiyon herhangi bir düzenliliği ayırt edemez. Aynı başarıyla, düzgün bir eğriye uyan bir polinomun kendi gizli modellerini bulduğu iddia edilebilir. Bu fonksiyonun takıldığı veri aralığından çıkın ve polinom regresyon örneğinde ne olduğunu kendiniz bilirsiniz. Bu arada, ağda doğru kararları etkilemeyen ve optimizasyon sırasında ağırlıkları azalan bağlantılar içerdiğinden, ağdaki optimize edilmiş parametre sayısı karar ağacındakinden çok daha fazladır.

Bir ağ ile piyasa verilerini yaklaşık olarak tahmin etmek bir şeydir ve tamamen başka bir şey örüntü tanımadır.

İkincisi daha doğru görünüyor - sonuçta, tüccarın beyni görüntüleri tanıyor.

 
joo :

Bir ağ ile piyasa verilerini yaklaşık olarak tahmin etmek bir şeydir ve tamamen başka bir şey örüntü tanımadır.

İkincisi daha doğru görünüyor - sonuçta, tüccarın beyni görüntüleri tanıyor.

Google'dan mühendisler, kendi kendine öğrenen bir ağa (ne tür bilmiyorum) YouTube videolarından ekran görüntüleri sundu ve ağ, kedileri ayrı bir sınıfa ayırmayı öğrendi. RAM'de ne kadar bilginin döndüğünü tahmin edebilirsiniz. Teorik olarak, grafikleri ızgaraya beslemek mümkündür, ancak çok büyük bir karmaşık ağ ve uygun bilgisayar olmalıdır. Örneğin [0;1] aralığında normalleştirilmiş bir fiyat modeli göndermek daha kolaydır. Ve durağanlığa saygı duyulur ve uygulanması kolaydır. Prensip olarak, bir tüccar bir fiyat modeli görür, ancak temiz bir grafiğe göre (göstergeler olmadan) ticaret yapan tüccarlar vardır. Ancak, görünüşe göre, ağ sürekli olarak yeniden eğitilmelidir. Çünkü beynimiz de sürekli olarak bağlantıları güncelliyor ve süreci daha iyi anlıyor.
 
alexeymosc :
Google'dan mühendisler, kendi kendine öğrenen bir ağa (ne tür bilmiyorum) YouTube videolarından ekran görüntüleri sundu ve ağ, kedileri ayrı bir sınıfa ayırmayı öğrendi. RAM'de ne kadar bilginin döndüğünü tahmin edebilirsiniz. Teorik olarak, grafikleri ızgaraya beslemek mümkündür, ancak çok büyük bir karmaşık ağ ve uygun bilgisayar olmalıdır. Örneğin [0;1] aralığında normalleştirilmiş bir fiyat modeli göndermek daha kolaydır. Ve durağanlığa saygı duyulur ve uygulanması kolaydır. Prensip olarak, bir tüccar bir fiyat modeli görür, ancak temiz bir grafiğe göre (göstergeler olmadan) ticaret yapan tüccarlar vardır. Ancak, görünüşe göre, ağ sürekli olarak yeniden eğitilmelidir. Çünkü beynimiz de sürekli olarak bağlantıları güncelliyor ve süreci daha iyi anlıyor.
Bir tüccar, bir modeli "gördüğünde", hala saf olmayan bir fiyat aralığını analiz eder, tek bir insan sivrisinek böyle bir RAM miktarına sahip değildir (bu arada, bu bir zihinsel RAM, maksimum birkaç yüz bayttır) ). Bu nedenle, sinyal ön işleme gereklidir.
 
alsu :
Bir tüccar, bir modeli "gördüğünde", hala saf olmayan bir fiyat aralığını analiz eder, tek bir insan sivrisinek böyle bir RAM miktarına sahip değildir (bu arada, bu bir zihinsel RAM, maksimum birkaç yüz bayttır) ). Bu nedenle, sinyal ön işleme gereklidir.

Duymadım. TAMAM. O zaman, elbette, beynin CR'nin hangi yönlerini algıladığını anlamak zor. Ulusal Meclis temelinde benzer bir şey yapmaya yönelik tüm girişimlerin sorunu budur. Gelen bilgilerin önemli işaretleri tanımlanmamıştır, yalnızca tahmin edilmesi gerekir.

Ama - kişisel olarak, en çok virajları ve zirveleri hatırlıyorum :)

 
alexeymosc :

Duymadım. TAMAM. O zaman, elbette, beynin CR'nin hangi yönlerini algıladığını anlamak zor. Ulusal Meclis temelinde benzer bir şey yapmaya yönelik tüm girişimlerin sorunu budur. Gelen bilgilerin önemli işaretleri tanımlanmamıştır, yalnızca tahmin edilmesi gerekir.

Ama - kişisel olarak, en çok virajları ve zirveleri hatırlıyorum :)

Bana öyle geliyor ki, çok umut verici - NS yardımıyla fiyat bilgilerini gürültüden temizlemek. Prensipte faydalı bir sinyal, az sayıda parametre ile tanımlanır, örneğin, M1'de bir gün alırsak, o zaman tarafından algılanabilecek olan 10-20 hazırlıksız (1440 yerine) olabilir. İnsan beyni. Soru, önemli bilgileri kaybetmeden sinyalin nasıl düzgün bir şekilde temizleneceğidir. Ağın IMHO'ya yardımcı olabileceği yer burasıdır. Gerisi herhangi bir uygun yöntemle işlenebilir (sınıflandırılmış, kümelenmiş, regrese vb.) ve bu arada, NN'nin en iyi seçim olacağı bir gerçek değil. Her durumda, bu tür görevler için birçok araç geliştirilmiştir ve bunun en az nedeni, hepsinin eşit derecede kötü çalışmasıdır)))
 
alsu :
Bana öyle geliyor ki, çok umut verici - NS yardımıyla fiyat bilgilerini gürültüden temizlemek. Yararlı bir sinyal, prensip olarak, az sayıda parametre ile tanımlanır, örneğin, M1'de bir gün alırsak, o zaman tarafından algılanabilecek olan 10-20 hazırlıksız (1440 yerine) olabilir. İnsan beyni. Soru, önemli bilgileri kaybetmeden sinyalin nasıl düzgün bir şekilde temizleneceğidir. Ağın IMHO'ya yardımcı olabileceği yer burasıdır. Gerisi herhangi bir uygun yöntemle işlenebilir (sınıflandırılmış, kümelenmiş, regrese vb.) ve bu arada, NN'nin en iyi seçim olacağı bir gerçek değil. Her durumda, bu tür görevler için birçok araç geliştirilmiştir ve bunun en az nedeni, hepsinin eşit derecede kötü çalışmasıdır)))
Alexey, doğrudan Özellik Seçimi probleminden bahsediyorsun, yani normal dilde: mevcut diziden, türden bir tahmin için mümkün olduğunca bilgilendirici olan verilerin% 1'inin nasıl seçileceği: uzun girin, kısa girin , Bekle. Ancak bu soruna sofistike tekniklerin uygulanması durumunda bile, tuzaklar hızla ortaya çıkıyor. İlk olarak, seçilen veri noktalarına hangi sosun sunulacağı belli değil: ham değerler uygun değil, ön işleme tabi tutulmaları gerekiyor. Belki 457 ile 891 bar arasındaki farkı ve 1401 ile 1300 bar arasındaki farkı alırsak her şey işe yarar. Çok fazla seçenek var ve her zaman kaba kuvvetle sıralama yapmak yeterli değil.
 

Beyne gerçekten giren bilgiler hakkında daha fazla bilgi. Çok öğretici bir örnek, görüntülerin fraktal sıkıştırmasıdır. Sadece aslında, bir kişinin yeterli bilgiyi algılaması için görsel olarak, görüntünün "ham" boyutundan binlerce ve hatta on binlerce kat daha az olduğunu gösterir.

Fraktal algoritmayı kullanarak alıntıyı sıkıştırarak hangi katsayıya ulaşılabileceğini merak ediyorum? 100? 500? daha fazla?

 
alexeymosc :
Alexey, doğrudan Özellik Seçimi probleminden bahsediyorsun, yani normal dilde: mevcut diziden, türden bir tahmin için mümkün olduğunca bilgilendirici olan verilerin% 1'inin nasıl seçileceği: uzun girin, kısa girin , Bekle. Ancak bu soruna sofistike tekniklerin uygulanması durumunda bile, tuzaklar hızla ortaya çıkıyor. İlk olarak, seçilen veri noktalarına hangi sosun sunulacağı belli değil: ham değerler uygun değil, ön işleme tabi tutulmaları gerekiyor. Belki 457 ile 891 bar arasındaki farkı ve 1401 ile 1300 bar arasındaki farkı alırsak her şey işe yarar. Çok fazla seçenek var ve her zaman kaba kuvvetle sıralama yapmak yeterli değil.
Algoritmanın çıktısını yorumlama sorunu da vardır. Çoğu zaman aynı ağı, çıktının ne yapılması gerektiğine dair net bir sinyal olacak şekilde veya en azından nispeten anlaşılabilir (tasarımcı için) böyle bir sinyale dönüştürülen bilgi olacak şekilde oluşturmaya çalışırız. Ama ağın kendisinin bu formda bilgi vermesinin uygun olduğu bir gerçek değil, belki bize kabaca bir buçuk bit (al-sat-dur) vermesi çok daha kolay olurdu, ama örneğin, 10 bit bilgi?
 
alsu :
Algoritmanın çıktısını yorumlama sorunu da vardır. Çoğu zaman aynı ağı, çıktının ne yapılması gerektiğine dair net bir sinyal olacak şekilde veya en azından nispeten anlaşılabilir (tasarımcı için) böyle bir sinyale dönüştürülen bilgi olacak şekilde oluşturmaya çalışırız. Ama ağın kendisinin bu formda bilgi vermesinin uygun olduğu bir gerçek değil, belki bize kabaca bir buçuk bit (al-sat-dur) vermesi çok daha kolay olurdu, ama örneğin, 10 bit bilgi?
Bu arada iyi not. Aslında girdi bilgisini o kadar net bir şekilde karar vermenin mümkün olacağı (al-sel-durdur) bir düzeye sıkıştırmaya çalışıyoruz. En iyi çözümün genel olarak bir katsayı olması çok iyi olabilir. 1'e eşit sıkıştırma (yani sıkıştırma yok veya buna yakın). Girişte, görüntü ızgaraya anlaşılabilir, çıkışta görüntü bir kişiye anlaşılabilir.
12345678910...14
Yeni yorum