It’s a technique for building a computer program that learns from data. It is based very loosely on how we think the human brain works. First, a collection of software “neurons” are created and connected together, allowing them to send messages to each other. Next, the network is asked to solve a problem, which it attempts to do over and over...
说实在的,请不要大惊小怪,米哈伊尔。这一刻是至关重要的。如果这个想法,无论出于什么原因(无论是因为缺乏技能还是在新的机会面前完全愚蠢)没有成功,那么下一个想法将很快来到交易者的社区。我确信这一点。
下面是我的七个!!!!用红铅笔在你的日历上记下这一天,因为那是我下载R的日子,并将一点一点地旋转它......
关于Sensei,男孩们的赠品)))))h2o.automl.
响声一般,但所有东西都是自动的...
http://playground.tensorflow.org
NS学习的可视化,似乎只是为了好玩或作为一个教学例子
她显然在对螺旋体进行分类时遇到了麻烦 :)
而这样一个架构已经可以
这就像Poincaré--如果特征空间是不连贯的,你至少需要2层,elibrarius已经有一个关于这个问题的问题。
而这种架构已经可以
另外,当网络开始振动时,让学习速度变慢。
我去年夏天玩过这个东西。非常直观的东西)。
马克西姆,那么特征选择呢?赞成。
另外,当网络开始振动时,让学习速度变慢。
去年夏天,我玩了这个东西。很能说明问题的东西)。
是的,如果你把正弦波放在一起,它可以用1层。
EMVC没有做到我想要的,它没有做到从粗略阅读描述中看到的那样。
EMVC采用一个包含预测因子和目标(仅指类,不允许回归)的表格,并计算每个训练实例是否真的属于某个特定类的概率。可以找到训练表中与大多数训练实例相矛盾的行(离群值、错误),并将其删除,以避免训练中混淆模型。
我本想找到一组能给出最高概率估计的预测器,但找到的预测器组并不令人满意。我不会用这个做实验,有更好的工具来选择预测器。我看不到交叉熵的估计,软件包在内部以某种方式使用它,但没有向用户返回这个答案。
但是,有一个有趣的工具可以筛选出训练实例而不是预测者。
EMVC没有做到我想要的,它没有做到从粗略阅读描述中看到的那样。
EMVC采用一个包含预测因子和目标(仅指类,不允许回归)的表格,并计算每个训练实例是否真的属于某个特定类的概率。可以找到训练表中与大多数训练实例相矛盾的行(离群值、错误),并将其删除,以避免训练中混淆模型。
我本想找到一组能给出最高概率估计的预测器,但找到的预测器组并不令人满意。我不打算做这个实验,有更好的工具来选择预测器。我看不到交叉熵的估计,软件包在内部以某种方式使用它,但没有向用户返回这个答案。
但至少我们得到了一个有趣的工具来筛选出训练的例子而不是预测者。
这是个遗憾。
你再一次证明了奇迹不会发生,你必须从头开始捡起一切的想法。
因此,你可以在训练表中找到与其他大多数训练实例(尖峰、错误)相矛盾的行,并将其删除,以避免在训练期间混淆模型。
在难以找到规律性的外汇数据上,这真的重要吗?我认为我们可以通过这个方案筛选出一半的例子。而离群值可以用更简单的方法来搜索:不要删除它们,但是,例如,将它们等同于允许的最大值。