I now work part-time for Google as a Distinguished Researcher and part-time for the University of Toronto as a Distinguished Professor. For much of the year, I work at the University from 9.30am to 1.30pm and at the Google Toronto office at 111 Richmond Street from 2.00pm to 6.00pm. I also spend several months per year working full-time for...
你可能无法完全对接所有网络，尽管你应该尝试。
6.模糊逻辑的模型（不要与概率网络相混淆）。未实施。但可能是有用的。如果有人发现信息，请抛出。几乎所有的模型都有日本的作者身份。几乎所有的都是手动构建的，但如果有可能通过逻辑表达式 来自动构建拓扑结构（如果我没记错的话），那就真的很酷了。
如果你把所有的函数放在一个基类上，并赋予它们虚拟性，你就可以做出一个灵活的抽象。
你不能采取这种笨拙的做法。为什么Kohonen网络需要MLP的虚拟 网络拓扑功能？
只有基本功能可以被抽象化，比如
-分配信号（运行输入）。
-训练
-增加训练模式
-发布一个错误
-从文件中保存/检索
这不是关于自组织增量神经网络吗？
你不能采取这种笨拙的做法。为什么Kohonen网络需要MLP的虚拟 网络拓扑功能？
你只能结合基本功能，如
当然，这就是我们正在谈论的问题。
但像 "CreateNet "这样的函数也应该在基类中。而如何在子类中已经实现--拓扑结构将是什么--则由子类自己决定。
但是像 "CreateNet "这样的函数也应该在基类中，而如何在子类中实现--拓扑结构将是什么--则取决于子类本身。
5.PNN -- 我没有用过它，我不知道。但我认为有一个人可以做到这一点。
建议其他模式。
PNN很容易。例如，你可以利用代码库中已经准备好的 "最近的邻居"（kNN）的代码。这里也包括GRNN。
这个项目是相当巨大的。一个人可以花数年时间为所有的网络编写代码，但仍然无法取悦所有人。这里的知名神经专家告诉我，如果一个网络在过去10-15年内没有被引入，它就已经被淘汰了。这一领域的最新趋势是使用ICA和稀疏编码的自学生物网络。谷歌 "稀疏编码 "和 "压缩传感"，以及Olshausen和Fields关于稀疏网的工作和他们的追随者。这是个宝库。作为深度信念网（DBN）基础的受限玻尔兹曼机（RBM）和卷积网络也因其多功能性而获得了大量的欢迎。阅读杰弗里-辛顿和扬-勒库恩的作品。
http://www.cs.toronto.edu/~hinton/
http://yann.lecun.com/
奥尔斯豪森和辛顿的这些英文讲座非常有趣。
https://www.youtube.com/watch?v=_G1RsAZXovE
https://www.youtube.com/watch?v=AyzOUbkUf3M
如果有人决定为MQL5编码稀疏网，我将非常有兴趣合作。虽然，对于那些了解我的人来说，我的耐心非常短，而且我经常会失去兴趣 :)
我提出了一个基于两个MAs的交叉点的交易系统，用于测试
优势是什么：这个系统是初级的，容易理解，而且像世界一样古老。
要求：该系统只需要不断地重新优化2个参数，但当涉及到--货币对的数量、时间框架和寻找优化期的长度时，任务就会成倍增长。如果你增加挥手平均法和计算方法，你可以增加进度。
基本上只有两个参数。我们不会被交易系统本身分心，而是专注于神经项目本身。
PS 目前我的专家顾问参加了我的比赛中的两个MA。 我不抱幻想；专家顾问是匆忙开发的，风险和参数是随机设置的，在三个月内不会变得相关。这就够了，我参加比赛的梦想已经实现了:-)，虽然我想在评分的第一页，但这只是为了好玩 ...
我提出了一个基于两个MAs的交叉点的交易系统，用于测试
优势是什么：该系统是基本的、可理解的，并且与世界一样古老。
(当然这里的一切都很清楚，除了一件事--它与NS有什么关系？）
你可以花数年时间为所有网络编写代码，但你仍然无法取悦所有人。知名的神经专家告诉我，如果一个网络在过去10-15年没有被引入，它就已经过时了。这一领域的最新趋势是使用ICA和稀疏编码的自学生物网络。谷歌 "稀疏编码 "和 "压缩传感"，以及Olshausen和Fields关于稀疏网的工作和他们的追随者。这是个宝库。作为深度信念网（DBN）基础的受限玻尔兹曼机（RBM）和卷积网络也因其多功能性而获得了大量的欢迎。阅读杰弗里-辛顿和扬-勒库恩的作品。
如果你从那里开始，你可以放弃整个想法。你可以陷入其中多年。顺便感谢你的参考资料，我开始阅读了）。但最好还是从简单的东西开始（在我看来，列出NS的经典作品就很足够了），然后逐渐到复杂和新的东西，补充和改进。项目 越早给出一些有形的 "产出"--它就越有机会得出合理的结论。