В 90-х годах прошлого века исследователи искусственных нейросетей пришли к выводу о необходимости развития нового класса этих вычислительных механизмов, особенностью которого было бы отсутствие фиксированной топологии слоев сети. Это означает, что количество и расположение искусственных нейронов в пространстве признаков не задается заранее, а...
睡不着--在网上读了点书。我喜欢这个人。
"在一般的背景下，使用增量的事实并不十分糟糕，大多数对数价格都是输入的，增量是一个进步，尽管两者都很合适。
我知道有人从NS中拉出了圣杯，但那些人对于交流，甚至对于他们所做的事情的暗示都很封闭，我是个初学者，所以肯定没有机会。我只知道一切都很复杂，它不是Vels，不是Metatrader，甚至不是S#，而是C++和MatLab与一些 解码和解释来自Caliders的数据的芯片，原来这是一个相同的方法，我听说后感到害怕，他们正在与曾经在CERN每天研磨TB的叔叔合作，在量子混沌中寻找新粒子。
这很有趣。我坚持我的观点--有必要将最纯净的、像眼泪一样的价格增量喂给NS投入。增量才是一切的关键。它们构成了解决这一问题的基础。事实上，在外汇市场上，我们遵循的是这些增量的波包（概率密度函数）的一个伪静态运动过程。仅此而已。(我已经写了这一段:)))
从B.Fritzke的传记中可以看出，2001年，由于 德国证券交易所（Deutsche Bӧrse ）的工作机会，他结束了在鲁尔大学（德国波鸿）的科学家生涯。我不会隐瞒这一事实，这一事实成为选择他的算法作为写这篇文章的基础的额外动力。
https://www.mql5.com/ru/articles/163
总的来说，我很惊讶......晚上坐在电脑前......我为什么不写一篇呃......增长的神经气体......比如说
BLEEP，让我惊讶的是，人们是如此的聪明
...谁在和自己玩外汇...
...嗯，尤里已经写过了...
什么样的神经元能做到这一点？我不知为何错过了这些信息。
什么样的神经元能做到这一点？我不知为何错过了这些信息。
好吧，一般来说，强化学习，但也可能有一些变化
比如说Q-learning。
它不包括在神经动力学部分......因为它是以不同的方式训练的，但训练后神经元的拓扑结构和权重不会改变。
开始了。但你都是关于MCL的。我是认真的。不太好，只要我们在搞DM。我认为。
第二，我自己只把MCL作为一个接口，这意味着，如果有必要，我可以改变接口而不改变分析系统。
每个人都在谈论给输入的东西。在我看来，给输出的东西也同样重要。如果你输入的是 "之 "字形，那么网络根本就没有在任何输入上进行训练。如果你能平衡各班级。也就是说，如果我们去掉大多数没有显示逆转的输入，结果也是不成立的。如果我们将一个条形图的平均价格设置为高于或低于前一个条形图的输出。我们正好得到50%的正确答案。这也是不好的。我们还能想出什么办法？
你好，你完成了机器人的工作吗？
是时候测试一下了 ))
有趣的想法https://monographies.ru/en/book/section?id=2465。
当用线性神经元激活函数对神经网络进行建模时，有可能构建一种算法，保证实现绝对最小的学习误差。对于具有非线性激活函数的神经网络，通常不可能保证达到误差函数的全局最小值。
...............
在线性网络模型和误差函数为平方之和的情况下，这样的表面（误差函数）将是一个抛物面，它有一个单一的最小值，这使得找到这样一个最小值相对容易。
在非线性模型的情况下，误差面的结构要复杂得多，并有许多不利的特性，特别是它可以有局部的最小值、平坦的区域、鞍点和狭长的沟壑。
也许我们应该对非线性激活函数使用更多的神经元？为了抹平所有这些不正常的现象。
每个人都在谈论给输入的东西。在我看来，给输出的东西也同样重要。
当你进入一个名为 "统计 "的建筑时，入口处上方写着"垃圾进，垃圾出"。
当你进入一个名为 "统计 "的建筑时，入口处上方写着"垃圾进，垃圾出"。
))
首先，这不是我，而是马克西姆关于MCL的问题，这就是为什么我实际上写的是没有用。
第二，我自己只把MCL作为一个接口，所以如果有必要，我可以在不改变分析系统的情况下改变接口。