sinir ağı ve girişler - sayfa 7
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
Örneğin, normal bankalar kartınızla yaptığınız alışverişlerin kaydını tutar ve bunlar "karakteristik olmayan" alışverişlerse, ağ kartı bloke eder. Şebeke, istenen "yüzü" aramanız gerektiğinde, havaalanlarında, metroda uzun süredir çalışıyor. Retikül, tespit ve rehberlik durumunda hedefi tanımlar. Büyük işletmelerde - acil durumlarda bir kişinin kopyası olarak. Aslında, ağ birçok yerde çalışır.
En geniş.
Fikirlerime göre, ızgara standardı aşağıdaki gibidir. Ne öğreteceğini biliyorsun. Örneğin, ızgarayı binlerce yazımla sunarak el yazısı "a" harfini tanımayı öğreniriz. Bir mektubun tüm yazımlarının idealden sapmalarının durağan bir dizi oluşturduğundan şüpheleniyorum. Yani, başarı için iki koşul: ne öğretileceği ve idealden sapmaların durağan bir dizi oluşturduğu bilinmektedir. Bu idealden sapmak mümkün görünmektedir. Ama işte üçüncü sorun geliyor - hesaplama karmaşıklığı.
Ama ben piyasayı konuşuyorum. Ve piyasada bir vagon ve bir araç yapımına daha bilinçli bir yaklaşım sağlayan küçük bir matematiksel algoritma arabası var. Bu nedenle, oldukça karmaşık bir NN'den ziyade matematiksel istatistiklere zaman harcamak daha verimlidir.
En geniş.
Benim düşünceme göre, ızgara için standart aşağıdaki gibidir. Ne öğreteceğini biliyorsun. Örneğin, ızgarayı binlerce yazımla sunarak el yazısı "a" harfini tanımayı öğreniriz. Bir mektubun tüm yazımlarının idealden sapmalarının durağan bir dizi oluşturduğundan şüpheleniyorum. Yani, başarı için iki koşul: ne öğretileceği ve idealden sapmaların durağan bir dizi oluşturduğu bilinmektedir. Bu idealden sapmak mümkün görünmektedir. Ama işte üçüncü sorun geliyor - hesaplama karmaşıklığı.
Ama ben piyasayı konuşuyorum. Ve piyasada bir vagon ve bir araç yapımına daha bilinçli bir yaklaşım sağlayan küçük bir matematiksel algoritma arabası var. Bu nedenle, oldukça karmaşık bir NN'den ziyade matematiksel istatistiklere zaman harcamak daha verimlidir.
Alfabeden harfleri tanımaya gelince (benzeterek), piyasanın kapalı bir sistem olduğu gerçeğinden hareket etmeniz gerekir. ))))))
1. Piyasa kapalı bir sistem değil, yaşayan bir sistemdir, çünkü insanların kanaati ile oluşur.
2. Durağanlık benim dilim değil.
Her şey bir geri çekilme.
1. Piyasa kapalı bir sistem değil, yaşayan bir sistemdir, çünkü insanların kanaati ile oluşur.
2. Durağanlık benim dilim değil.
Her şey bir geri çekilme.
Sana hiçbir şey kanıtlamaya çalışmadım, ilgilenmiyorum))).
dönüş (0);
Fikirlerime göre, ızgara standardı aşağıdaki gibidir. Ne öğreteceğini biliyorsun. Örneğin, ızgaraya binlerce yazım sunarak el yazısı "a" harfini tanımayı öğreniriz.
Pek değil, ancak birçok basit ağ sizin tanımladığınız şekilde öğreniyor. Ancak beynimiz gibi anında kendi kendine öğrenen ağlar var. Bu arada, ağların yararlılığını inkar etmek, beynimizin yararlılığını inkar etmekle aynı şeydir. Ve beynimiz her tür veriyle başarılı bir şekilde çalışır: durağan ve durağan olmayan. Başka bir şey, basit ders kitabı ağlarının beynimizin yapabildiğini, yani. desen bulmak vb. Bu nedenle, ticarette bu "basit" ağların kullanışlılığı konusunda kötümserim. Biyolojik ilkelere göre çalışan daha karmaşık ağlar için hala yeterli bilgisayar gücü yok.
Bu arada, kendi kendine öğrenen bir kamera hakkında ilginç bir video. Bir yüzü kameraya gösterdikten sonra, o yüzü farklı mesafelerde ve farklı açılardan tanımayı öğrenir. Daha sonra kendi şirketini kuran Çekoslovak bir öğrenci tarafından düzenlendi.
https://www.youtube.com/watch?v=1GhNXHCQGsM
Normalleştirmeme, böyle bir fırsat varsa, verileri beslemenin en iyi yoludur. Sinyalin tüm bilgi içeriği korunur. Bozulma 0.
Ölçekle rekabet etmek daha iyidir - bilgiyi normalleştirme yoluyla çarpıtmaktansa bilgi içeriğini koruma olasılığı yüksektir.
Ve ikinci kez soruyorum - ızgaralar gerçek zamanlı olarak nerede çalışıyor?
Mesele şu ki, NN'nin kendisi, öğrenme sürecinde belirlenmesi gereken, katsayıları bilinmeyen belirli bir hesaplama dizisidir. Matematikteki bu probleme regresyon problemi denir (özel durumları sınıflandırma ve kümelemedir). Tamamen farklı algoritmalar gerçekleştirebilir, her birinin özellikleri ve özellikleri, avantajları ve dezavantajları vardır. Klasik NN, tekrar ediyorum, nesne hakkında a priori verilerin yokluğunda çalışabilme avantajına sahiptir.
Örneğin, ağı 0'dan 9'a kadar olan sayıların resimlerini tanıması, ona resim göstermesi ve doğru cevapları öğretmesi için eğitiyoruz. Sayıların şu veya bu boyutta, renkte vb. Olacağını ağ yapısına önceden koymadıysak, ağın kendisini girdi verilerine uyarlaması gerektiği ortaya çıktı. Ve aslında, yapar - ama! - yavaş, ama bu tam olarak Ulusal Meclisin dezavantajı. Ve ızgaraya gösterilen ilk 1000 basamak beyaz bir arka plan üzerinde siyahsa ve sonra siyah üzerinde beyaz göstermeye başlarsak (okuyun, giriş satırına durağanlık ekledik), o zaman ızgaranın yeniden eğitilmesi gerekecektir.
Ama ağa önceden resmin tersine çevrilebileceğini açıklarsak (yani durağan olmayı betimler ve NN yapısına ödünç verirsek, örneğin -N çıkışındaki tanıdık olmayan bir sinyalin + olarak yorumlanması gerektiğini söylersek) N), o zaman bu türde durağan olmayan ağ artık yoldan çıkmayacak. Ama bir başkasında kaybolacak. Bununla birlikte, ağ zaten diğer tüm algoritmalarla ortak bir noktaya sahiptir: en iyi şekilde sisteme bir kişi tarafından eklenen durağan olmayanlar üzerinde çalışırlar.
Ancak farklılıklar da vardır: örneğin, optimal kontrol teorisinde açıklanan giriş sinyalinin parametrelerini izlemek için birçok algoritma, elbette önceden ortaya konandan daha geniş bir durağanlık sınıfını izleyebilir. , bazı kısıtlamalar ile. Ne yazık ki, Millet Meclisi bunu yapamıyor. Belki de NS için tek seçenek yarı-durağan sistemlerdir, yani. parametrelerin, sinir ağının eğitim süresinden daha az olmayan bir karakteristik zamanla yüzdüğü.
Bu nedenle, soruyu cevaplamak: ağlar esas olarak giriş sinyali modelini önceden ayarlamanın mümkün olmadığı veya çok zor olduğu yerlerde çalışır: tanıma görevleri, anlamsal analiz (metin, ses, görüntü, ...), bilişsel (captcha çözme) ve bunların kombinasyonlar. Ancak karmaşık görevler için, örneğin BÜYÜK (tam anlamıyla) ve karmaşık bir ağa ihtiyacınız vardır (ve bu, bu arada, modern teknolojinin sınırındadır, kontrol edin).
Peki, durağan olmayı kim sever? Herhangi bir algoritma, en karmaşık olanı bile, giriş sinyalinin özelliklerini değiştirirken başarısız olacaktır. Hiç. Mucizeler gerçekleşmez
Yine, durağan olmamanın doğasını önceden biliyorsak, bunu algoritmaya koyabilir ve bu durağan olmayışı tespit ederek, denetleyici parametrelerini hızla ayarlayabiliriz.