Yapay sinir ağları. - sayfa 8
Ticaret fırsatlarını kaçırıyorsunuz:
- Ücretsiz ticaret uygulamaları
- İşlem kopyalama için 8.000'den fazla sinyal
- Finansal piyasaları keşfetmek için ekonomik haberler
Kayıt
Giriş yap
Gizlilik ve Veri Koruma Politikasını ve MQL5.com Kullanım Şartlarını kabul edersiniz
Hesabınız yoksa, lütfen kaydolun
Kim kurdu? Bir nesneyi 50 milisaniye sonra %80 doğrulukla kategorize edebiliyoruz. Bu, herhangi bir arka planda ve saniyede 20 nesnedir. Birçok memeli, yenmekten kaçınmak için bunu daha da hızlı yapar (evrim). Yapay ağlar bunu birkaç saniye içinde ve boş bir arka planda yapar. Beynin gücü, geleneksel bilgisayar teknolojisi araçlarıyla asla elde edemeyeceğimiz paralelliğindedir. Kimse ticaret otomasyonunun faydalarını inkar edemez, ancak önümüzdeki 20-30 yıl içinde ağlar, piyasada kalıp arayan tüccarın beyninin yerini almayacak. Çok fazla nörona ihtiyacınız var. 10-20 nöronlu bir ağın bir tüccarın beyninin yerini alabileceğini gerçekten düşünen var mı? Bu tüccar ne kadar aptal bir yaratık olmalı!
Bu nedenle, olağandışı bilgisayar teknolojileri üzerinde çalışan insanlar var. ))
Kwabena Boachen beyin gibi çalışan bir bilgisayardan bahsediyor
Bu nedenle, olağandışı bilgisayar teknolojileri üzerinde çalışan insanlar var. ))
Kwabena Boachen beyin gibi çalışan bir bilgisayardan bahsediyor
Kwabena'yı şahsen tanırım. Ayrıca Manchester'dan SpiNNaker projesini ve ilk ARM'yi geliştiren lideri Steve Furber'i de biliyorum ( http://apt.cs.man.ac.uk/projects/SpiNNaker/project/ ). Steve, 18 ARM işlemciyi bir çipe ve 48 çipe yani 864 paralel işlemciye sığdırmayı başardı. Her işlemci 500 nöronu hesaplar, yani. 432 bin nöron. Şimdiye kadar bu ağ yararlı hiçbir şey yapmıyor. Ayrıca yeni bir işlemci türü geliştiren diğer gruplara da aşinayım. Şimdiye kadar, gerçeklik çok uzak, benim tahminim 20-30 yıl beklemeniz gerektiği.
Kwabena'yı şahsen tanırım. Ayrıca Manchester'dan SpiNNaker projesini ve ilk ARM'yi geliştiren lideri Steve Furber'i de biliyorum ( http://apt.cs.man.ac.uk/projects/SpiNNaker/project/ ). Steve, 18 ARM işlemciyi bir çipe ve 48 çipe yani 864 paralel işlemciye sığdırmayı başardı. Her işlemci 500 nöronu hesaplar, yani. 432 bin nöron. Şimdiye kadar bu ağ yararlı hiçbir şey yapmıyor. Ayrıca yeni bir işlemci türü geliştiren diğer gruplara da aşinayım. Şimdiye kadar, gerçeklik çok uzak, benim tahminim 20-30 yıl beklemeniz gerektiği.
"Doğayı kopyalamanıza gerek yok..." kısmında Joo'ya katılıyorum.
İnsan beyninin oldukça verimli çalıştığı konusunda da size katılıyorum...
"2 + 2" eklemek için kişinin önce "2" resmini, ardından "+" resmini tanıması, sonra tekrar "2" resmini tanıması ve ardından "matematik" bölümünden ilişkilendirmeyi bulması gerekir,
örneğin cevaba olan yazışmasını hatırlayın.
Böyle bir yöntemin evrensel olmasına rağmen (insanın doğa dünyasının üstüne çıkmasına izin veren) bir bilgisayarla karşılaştırıldığında etkisiz olduğunu düşünmüyor musunuz?
Aslında nedense herkes doğanın tekrar etme yolunu takip ediyor ama doğada matematik hiç olmadı ve doğanın test ettiği yöntemler bu öğretide etkili değil, bu yüzden seçkin bir matematikçi olmak için yapmanız gerekenler. neredeyse dünyadan vazgeç ve kendini tamamen matematiğe ada (ki bu çeviride matematik hakkında edinilen bilgiyi en yakın çağrışımlarda tutmak anlamına gelir). Ama aynı zamanda, MathCad'li aptal bir demir parçası, her şeyi en parlak matematikçiden çok daha verimli bir şekilde çözer.
Daha güçlü dişleri ve daha keskin bir koku alma duyusu olan bir köpek gibi IMHO'yu "insan yardımcı bilgisayarı" ile tehdit edin.
"Doğayı kopyalamanıza gerek yok..." kısmında Joo'ya katılıyorum.
İnsan beyninin oldukça verimli çalıştığı konusunda da size katılıyorum...
"2 + 2" eklemek için kişinin önce "2" resmini, ardından "+" resmini tanıması, sonra tekrar "2" resmini tanıması ve ardından "matematik" bölümünden ilişkilendirmeyi bulması gerekir,
örneğin cevaba olan yazışmasını hatırlayın.
Böyle bir yöntemin evrensel olmasına rağmen (insanın doğa dünyasının üstüne çıkmasına izin veren) bir bilgisayarla karşılaştırıldığında etkisiz olduğunu düşünmüyor musunuz?
Aslında nedense herkes doğanın tekrar etme yolunu takip ediyor ama doğada matematik hiç olmadı ve doğanın test ettiği yöntemler bu öğretide etkili değil, bu yüzden seçkin bir matematikçi olmak için yapmanız gerekenler. neredeyse dünyadan vazgeç ve kendini tamamen matematiğe ada (ki bu çeviride matematik hakkında edinilen bilgiyi en yakın çağrışımlarda tutmak anlamına gelir). Ama aynı zamanda, MathCad'li aptal bir demir parçası, her şeyi en parlak matematikçiden çok daha verimli bir şekilde çözer.
Daha güçlü dişleri ve daha keskin bir koku alma duyusu olan bir köpek gibi IMHO'yu "insan yardımcı bilgisayarı" ile tehdit edin.
Seni anlamadım. Tartışma yapay sinir ağları hakkındadır. Benim bakış açım, modern yapay ağların , piyasada kalıp arayışında olan tüccarın beyninin değiştirilmesine izin vermediğidir. Kaderleri gerileme iken, yani. girdilerin doğrusal olmayan bir fonksiyonu olarak çıktı simülasyonu (al/sat). Ağ ağırlıkları, eğitimsiz veriler üzerinde karlılığını garanti etmeyen, geçmiş örneklerdeki hatayı en aza indirerek optimize edilmiştir. Diğer doğrusal olmayan modellerde olduğu gibi ağdaki nöron sayısının artmasıyla eğitim örneklerindeki hata sıfıra indirilebilir ancak bu gelecekte ağın karlılığına yardımcı olmaz, sadece zarar verir. (yeniden eğitim). Bunu zaten herkes biliyor. Ağın en azından bir şansa sahip olması için, çıktı üzerinde doğal etkisi olan girdileri seçmeniz gerekir. Bu girdi seçimi, geçmiş verileri inceleyerek ve kalıpları bularak tarafımızca yapılır. Ağın kendisi doğrusal olmayan girdi-çıktı modellemesi için bir araç haline gelir ve kalıp aramaz. Ağın kalıpları araması için onu beynimizin prensibine göre oluşturmanız gerekir. Sıradan ağlardaki nöron sayısındaki aptalca bir artış hiçbir şeye yol açmaz, aksi takdirde filler bizim kadar akıllı olurdu (aynı sayıda nöron).
Burada bilgisayarın rolünü asla küçümsemedim, ama bir kişi olmadan demir kalacaklar. Gelecekte, yeni ağ türlerinin verilerdeki kalıpları bulmayı öğrenmesi olasıdır. Ancak bu alandaki araştırmaların mevcut durumunu bilerek beklemek ve beklemek zorundayız. Bu arada, bilim kurgu kitaplarının ve filmlerinin, bizim için çoktan geçmiş olan gelecekte robotları öngördüğünü, ancak hiç ortaya çıkmadıklarını düşünen var mı? İnsanlık aya uçmayı öğrendi, hızlı bilgisayarlar ve internet ortaya çıktı, ama robotlar - eh, hiçbir şekilde!
Kwabena'yı şahsen tanırım. Ayrıca Manchester'dan SpiNNaker projesini ve ilk ARM'yi geliştiren lideri Steve Furber'i de biliyorum ( http://apt.cs.man.ac.uk/projects/SpiNNaker/project/ ). Steve, 18 ARM işlemciyi bir çipe ve 48 çipe yani 864 paralel işlemciye sığdırmayı başardı. Her işlemci 500 nöronu hesaplar, yani. 432 bin nöron. Şimdiye kadar bu ağ yararlı hiçbir şey yapmıyor. Ayrıca yeni bir işlemci türü geliştiren diğer gruplara da aşinayım. Şimdiye kadar, gerçeklik çok uzak, benim tahminim 20-30 yıl beklemeniz gerektiği.
Böyle araştırmacıları şahsen tanıyor olmanız harika. Henry Markram'ı tanıyor musunuz? 2009'daki tahmini 10 yıldı. :) Şu an ne aşamada olduğunu merak ediyorum.
Henry Markram bir süper bilgisayarda bir beyin inşa ediyor
Seni anlamadım. Tartışma yapay sinir ağları hakkındadır. Benim bakış açıma göre, modern yapay ağlar, piyasada kalıp arayışında olan tüccarın beyninin değiştirilmesine izin vermiyor. Kaderleri gerileme iken, yani. girdilerin doğrusal olmayan bir fonksiyonu olarak çıktı simülasyonu (al/sat). Ağ ağırlıkları, eğitimsiz veriler üzerinde karlılığını garanti etmeyen geçmiş örneklerdeki hatayı en aza indirerek optimize edilmiştir. Diğer doğrusal olmayan modellerde olduğu gibi ağdaki nöron sayısının artmasıyla eğitim örneklerindeki hata sıfıra indirilebilir ancak bu gelecekte ağın karlılığına yardımcı olmaz, sadece zarar verir. (yeniden eğitim). Bunu zaten herkes biliyor. Ağın en azından bir şansa sahip olması için, çıktı üzerinde doğal etkisi olan girdileri seçmeniz gerekir. Bu girdi seçimi, geçmiş verileri inceleyerek ve kalıpları bularak tarafımızca yapılır. Ağın kendisi doğrusal olmayan girdi-çıktı modellemesi için bir araç haline gelir ve kalıp aramaz. Ağın kalıpları araması için onu beynimizin prensibine göre oluşturmanız gerekir. Sıradan ağlardaki nöron sayısındaki aptalca bir artış hiçbir şeye yol açmaz, aksi takdirde filler bizim kadar akıllı olurdu (aynı sayıda nöron).
Burada bilgisayarın rolünü asla küçümsemedim, ama bir kişi olmadan demir kalacaklar. Gelecekte, yeni ağ türlerinin verilerdeki kalıpları bulmayı öğrenmesi olasıdır. Ancak bu alandaki araştırmaların mevcut durumunu bilerek beklemek ve beklemek zorundayız. Bu arada, bilim kurgu kitaplarının ve filmlerinin, bizim için çoktan geçmiş olan gelecekte robotları öngördüğünü, ancak hiç ortaya çıkmadıklarını düşünen var mı? İnsanlık aya uçmayı öğrendi, hızlı bilgisayarlar ve internet ortaya çıktı, ama robotlar - eh, hiçbir şekilde!
Doğayı kopyalama paradigmasının ta kendisi olan NN'deki araştırmanın yönünü sorguladım.
İnsan beyninin görüntüsü ve benzerliği üzerine kurulmuş bir ağın yaratıcıyı aşacağından büyük şüphelerim var.
NN ile ilgili araştırmaların dijital verilerin doğrudan algılanması yönünde hareket etmesi gerektiğine inanıyorum, şimdi NN için rakamlar sadece görüntüdür.
teknik araçlar, ister tekerlek ister uçak olsun, doğayı asla kopyalamamıştır, ancak atanan görevlerle mükemmel bir iş çıkarırlar, bu nedenle NN matematiksel modellerle çalışmalı ve tüccarın analitiklerini / karar verme sürecini taklit etmemelidir.
Not: Sanatçının çalışmasının sürecini tekrarlayan bir kameranın nasıl görüneceğini hayal ettim)))))
teknik araçlar, ister tekerlek ister uçak olsun, doğayı asla kopyalamamıştır, ancak atanan görevlerle mükemmel bir iş çıkarırlar, bu nedenle NN matematiksel modellerle çalışmalı ve tüccarın analitiklerini / karar verme sürecini taklit etmemelidir.
Not: Sanatçının çalışmasının sürecini tekrarlayan bir kameranın nasıl görüneceğini hayal ettim)))))
Kamera gözü kopyalar, bu nedenle örnek sayılmaz. Ancak genel olarak, yazımın özünü doğru anladınız.
Kameranın gözü kopyaladığına katılıyorum, ancak çalışmanın sonucu sanatçınınkiyle aynı - kağıt üzerinde bir görüntü, boyamadığım tek şey, fotoğraf çekmenin teknolojik sürecini
Pekala, NN'lerin ticarette neden her zaman başarılı bir şekilde çalışmadığını anladık: bu NN ile ilgili değil, NN tarafından eğitim için kaydırılan çok matematiksel piyasa bilgisi modelinde - son 2, 3, ... 100 çubuğu kim kapatıyor , teknik göstergelerin okumaları kimlerdir, bir kelimeyle, "kim ne yapmaya isteklidir", ticaret için hangi piyasa bilgilerinin gerçekten önemli olduğunu bulmanız gerekir - kalıplar? son birkaç bar? birimler? Günün Zamanları? .... ve harika olan şey, gereksiz bilgileri filtreleyerek ve pazarın matematiksel bir modelini oluşturarak, NS olmadan etkili bir TS oluşturabilmenizdir.