五月天婷亚洲天久久综合网,婷婷丁香五月激情亚洲综合,久久男人精品女人,麻豆91在线播放

  • <center id="8gusu"></center><rt id="8gusu"></rt>
    <menu id="8gusu"><small id="8gusu"></small></menu>
  • <dd id="8gusu"><s id="8gusu"></s></dd>

    股票預測,自動翻譯,你想要的它都能做——RNN算法探索之旅(1)-經(jīng)管之家官網(wǎng)!

    人大經(jīng)濟論壇-經(jīng)管之家 收藏本站
    您當前的位置> 期刊>>

    期刊庫

    >>

    股票預測,自動翻譯,你想要的它都能做——RNN算法探索之旅(1)

    股票預測,自動翻譯,你想要的它都能做——RNN算法探索之旅(1)

    發(fā)布:bfbd | 分類:期刊庫

    關于本站

    人大經(jīng)濟論壇-經(jīng)管之家:分享大學、考研、論文、會計、留學、數(shù)據(jù)、經(jīng)濟學、金融學、管理學、統(tǒng)計學、博弈論、統(tǒng)計年鑒、行業(yè)分析包括等相關資源。
    經(jīng)管之家是國內(nèi)活躍的在線教育咨詢平臺!

    經(jīng)管之家新媒體交易平臺

    提供"微信號、微博、抖音、快手、頭條、小紅書、百家號、企鵝號、UC號、一點資訊"等虛擬賬號交易,真正實現(xiàn)買賣雙方的共贏。【請點擊這里訪問】

    提供微信號、微博、抖音、快手、頭條、小紅書、百家號、企鵝號、UC號、一點資訊等虛擬賬號交易,真正實現(xiàn)買賣雙方的共贏!菊堻c擊這里訪問】

    原文地址:http://www.aiportal.net/rnn-lstm/rnn%E7%B3%BB%E5%88%97%E6%95%99%E7%A8%8B-1-%E5%89%8D%E9%A6%88%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C-ffnn近幾年,華爾街裁員不斷,高盛在2000年頂峰時期,雇傭了600名 ...
    掃碼加入金融交流群


    原文地址:http://www.aiportal.net/rnn-lstm/rnn%E7%B3%BB%E5%88%97%E6%95%99%E7%A8%8B-1-%E5%89%8D%E9%A6%88%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C-ffnn


    近幾年,華爾街裁員不斷,高盛在2000年頂峰時期,雇傭了600名交易員,為其機構客戶進行股票買賣。但時至今日,卻僅剩下2名交易員“看守”柜臺。


    不僅高盛,瑞銀、摩根士丹利等金融公司,目前都已采用機器學習算法替代普通交易員,來進行交易。

    那,什么樣的算法如此厲害?


    它能夠預測股價走勢,

    不僅如此,

    它還能搭建聊天機器人、可以翻譯外文、可以寫新聞稿、寫小說 ……


    這個看起來無所不能的算法,就是:循環(huán)神經(jīng)網(wǎng)絡,簡稱RNN。


    本系列教程將以RNN為主線,總共分為3個部分:

    • RNN算法之預備知識:前饋神經(jīng)網(wǎng)絡(FFNN)
    • 初識RNN算法
    • RNN算法之變體:長短期記憶(LSTM)

    今天是系列教程的第1部分:

    RNN算法之預備知識:前饋神經(jīng)網(wǎng)絡(FFNN)


    在講RNN之前,首先引入前饋神經(jīng)網(wǎng)絡的部分內(nèi)容,是因為了解了FFNN,再學習RNN會更加容易,遇到的阻力更小。

    如果你已經(jīng)對前饋神經(jīng)網(wǎng)絡很熟悉,直接跳過此部分內(nèi)容。

    好啦,話不多說,下面開始我們今天的內(nèi)容。



    先來看這樣一組數(shù)據(jù):

    http://www.aiportal.net/wp-content/uploads/2018/01/12-%E6%B0%B4%E5%8D%B0.pnghttp://data:image/gif;base64,iVBORw0KGgoAAAANSUhEUgAAAAEAAAABCAYAAAAfFcSJAAAADUlEQVQImWNgYGBgAAAABQABh6FO1AAAAABJRU5ErkJggg==


    這只是我們隨機編寫的一些數(shù)字,它很簡單,不使用任何模型算法,你也能輕而易舉地找到x-y之間的規(guī)律:

    http://www.aiportal.net/wp-content/uploads/2018/01/13-%E6%B0%B4%E5%8D%B0.pnghttp://data:image/gif;base64,iVBORw0KGgoAAAANSUhEUgAAAAEAAAABCAYAAAAfFcSJAAAADUlEQVQImWNgYGBgAAAABQABh6FO1AAAAABJRU5ErkJggg==


    但是如果,

    我們一定要用神經(jīng)網(wǎng)絡來計算的話,

    那么,這個神經(jīng)網(wǎng)絡可以簡單地搭建為:


    http://data:image/gif;base64,iVBORw0KGgoAAAANSUhEUgAAAAEAAAABCAYAAAAfFcSJAAAADUlEQVQImWNgYGBgAAAABQABh6FO1AAAAABJRU5ErkJggg==http://www.aiportal.net/wp-content/uploads/2018/01/14-%E6%B0%B4%E5%8D%B0.png


    先別暈,我們舉個例子,你就明白上面的邏輯了。

    以第1條數(shù)據(jù)為例:


    http://data:image/gif;base64,iVBORw0KGgoAAAANSUhEUgAAAAEAAAABCAYAAAAfFcSJAAAADUlEQVQImWNgYGBgAAAABQABh6FO1AAAAABJRU5ErkJggg==http://www.aiportal.net/wp-content/uploads/2018/01/15-%E6%B0%B4%E5%8D%B0.png


    • 輸入層,讓模型讀入第1條數(shù)據(jù)“4”
    • 輸出層,告訴模型其結果為“36”
    • 隱藏層,就像連接“輸入”和“輸出”之間的橋梁


    這個模型的核心:就是努力找到x與y之間的聯(lián)系。

    比如,


    http://data:image/gif;base64,iVBORw0KGgoAAAANSUhEUgAAAAEAAAABCAYAAAAfFcSJAAAADUlEQVQImWNgYGBgAAAABQABh6FO1AAAAABJRU5ErkJggg==http://www.aiportal.net/wp-content/uploads/2018/01/16-%E6%B0%B4%E5%8D%B0.png


    圖中的 “1” 和 “9”,就是模型找到的其中一種連接方法。

    更一般的,

    如果你擁有數(shù)據(jù)(X,Y),神經(jīng)網(wǎng)絡算法就會去尋找最佳的參數(shù)W:


    http://www.aiportal.net/wp-content/uploads/2018/01/17-%E6%B0%B4%E5%8D%B0.png


    求解W,就是這條神經(jīng)網(wǎng)絡會替我們努力完成的工作。

    上面的圖,寫成公式為:


    http://www.aiportal.net/wp-content/uploads/2018/01/19-%E6%B0%B4%E5%8D%B0.png

    (注:兩個公式中的w,數(shù)值可能不相同)


    這就是一條最簡單的神經(jīng)網(wǎng)絡。

    當然,更多的時候,你在教材上看到的是這樣的:

    http://www.aiportal.net/wp-content/uploads/2018/01/110-%E6%B0%B4%E5%8D%B0.png


    如果我們將參數(shù)b暫時遮擋住:

    http://www.aiportal.net/wp-content/uploads/2018/01/111.png


    “公式二”與“公式一”之間,僅僅多出一個f()函數(shù)。

    這個f()函數(shù),在學術上被稱為“激活函數(shù)”,通常是一個非線性的函數(shù)。

    例如,

    http://www.aiportal.net/wp-content/uploads/2018/01/112-%E6%B0%B4%E5%8D%B0.png


    像上面這些,均可以作為激活函數(shù)來使用。

    你會問:

    “為什么我們要使用激活函數(shù)?”

    這是因為,

    (w*X) 和 (w*h) 僅僅是線性運算:

    http://www.aiportal.net/wp-content/uploads/2018/01/113-%E6%B0%B4%E5%8D%B0.png


    而我們在現(xiàn)實中遇到的問題,更多都是非線性的。

    這就好比,

    家到學校,理論上是兩點一線的距離;

    但現(xiàn)實中,你要曲曲彎彎走很多路,才能抵達終點:


    http://data:image/gif;base64,iVBORw0KGgoAAAANSUhEUgAAAAEAAAABCAYAAAAfFcSJAAAADUlEQVQImWNgYGBgAAAABQABh6FO1AAAAABJRU5ErkJggg==http://www.aiportal.net/wp-content/uploads/2018/01/%E5%9C%B0%E5%9B%BE2.gif


    因而,在w*X的外面,包裹上一層激活函數(shù)

    f(w*X)

    可以將線性問題轉(zhuǎn)化為非線性問題,這樣更接近真實的世界,也能使我們模型預測的準確度,得到大幅提升。

    好了,前面我們一直討論的是一條數(shù)據(jù)的情形,即

    http://www.aiportal.net/wp-content/uploads/2018/01/114.png


    現(xiàn)在,如果我們把t+1條數(shù)據(jù),全部考慮進來:

    http://www.aiportal.net/wp-content/uploads/2018/01/115-%E6%B0%B4%E5%8D%B0.png


    那么此時,

    神經(jīng)網(wǎng)絡的形態(tài)變?yōu)椋?/p>

    http://data:image/gif;base64,iVBORw0KGgoAAAANSUhEUgAAAAEAAAABCAYAAAAfFcSJAAAADUlEQVQImWNgYGBgAAAABQABh6FO1AAAAABJRU5ErkJggg==http://www.aiportal.net/wp-content/uploads/2018/01/116-%E6%B0%B4%E5%8D%B0.png


    由圖可以看出,

    它是t+1條數(shù)據(jù)的“堆疊”。

    你會發(fā)現(xiàn),像這樣的神經(jīng)網(wǎng)絡,它只有橫向箭頭http://www.aiportal.net/wp-content/uploads/2018/01/117.png http://data:image/gif;base64,iVBORw0KGgoAAAANSUhEUgAAAAEAAAABCAYAAAAfFcSJAAAADUlEQVQImWNgYGBgAAAABQABh6FO1AAAAABJRU5ErkJggg==

    并沒有縱向箭頭

    http://data:image/gif;base64,iVBORw0KGgoAAAANSUhEUgAAAAEAAAABCAYAAAAfFcSJAAAADUlEQVQImWNgYGBgAAAABQABh6FO1AAAAABJRU5ErkJggg==http://www.aiportal.net/wp-content/uploads/2018/01/118.png


    即“第t條數(shù)據(jù),并不受之前數(shù)據(jù)的影響”。

    你可以視它為一條“一直向前,永不回望”的神經(jīng)網(wǎng)絡,

    也因此而得名“前饋神經(jīng)網(wǎng)絡”。


    我們單拎出第t條數(shù)據(jù):

    http://www.aiportal.net/wp-content/uploads/2018/01/119.png


    此時,ht僅受Xt的影響。

    在實際工作中,它適用于“上一條數(shù)據(jù)與下一條數(shù)據(jù),彼此之間沒有任何關聯(lián)”的情形。


    舉幾個例子:

    圖像分類

    http://www.aiportal.net/wp-content/uploads/2018/01/120.png

    第1張圖與第2張圖之間,并無關聯(lián)。


    薪水等的預測

    http://www.aiportal.net/wp-content/uploads/2018/01/121-%E6%B0%B4%E5%8D%B0.png

    第1條職位所提供的薪水,并不決定第2條職位薪水的高低。


    電影推薦

    http://www.aiportal.net/wp-content/uploads/2018/01/122-%E6%B0%B4%E5%8D%B0.png

    第1部電影的好壞,并不影響第2部電影是否受觀眾的歡迎。

    上面這些例子,都可以借助前饋神經(jīng)網(wǎng)絡來解決。但有些例子則不然。

    下一期,我們進一步來了解“會回望的”神經(jīng)網(wǎng)絡——循環(huán)神經(jīng)網(wǎng)絡(RNN)。


    「經(jīng)管之家」APP:經(jīng)管人學習、答疑、交友,就上經(jīng)管之家!
    免流量費下載資料----在經(jīng)管之家app可以下載論壇上的所有資源,并且不額外收取下載高峰期的論壇幣。
    涵蓋所有經(jīng)管領域的優(yōu)秀內(nèi)容----覆蓋經(jīng)濟、管理、金融投資、計量統(tǒng)計、數(shù)據(jù)分析、國貿(mào)、財會等專業(yè)的學習寶庫,各類資料應有盡有。
    來自五湖四海的經(jīng)管達人----已經(jīng)有上千萬的經(jīng)管人來到這里,你可以找到任何學科方向、有共同話題的朋友。
    經(jīng)管之家(原人大經(jīng)濟論壇),跨越高校的圍墻,帶你走進經(jīng)管知識的新世界。
    掃描下方二維碼下載并注冊APP
    本文關鍵詞:

    本文論壇網(wǎng)址:http://xalimeijing.com/thread-6162175-1-1.html

    人氣文章

    1.凡人大經(jīng)濟論壇-經(jīng)管之家轉(zhuǎn)載的文章,均出自其它媒體或其他官網(wǎng)介紹,目的在于傳遞更多的信息,并不代表本站贊同其觀點和其真實性負責;
    2.轉(zhuǎn)載的文章僅代表原創(chuàng)作者觀點,與本站無關。其原創(chuàng)性以及文中陳述文字和內(nèi)容未經(jīng)本站證實,本站對該文以及其中全部或者部分內(nèi)容、文字的真實性、完整性、及時性,不作出任何保證或承若;
    3.如本站轉(zhuǎn)載稿涉及版權等問題,請作者及時聯(lián)系本站,我們會及時處理。