Ano ang Neural Network?
Ang isang neural network ay isang serye ng mga algorithm na nagsusumikap upang makilala ang mga pinagbabatayan na relasyon sa isang hanay ng data sa pamamagitan ng isang proseso na gayahin ang paraan ng pagpapatakbo ng utak ng tao. Sa kahulugan na ito, ang mga network ng neural ay tumutukoy sa mga sistema ng mga neuron, alinman sa organik o artipisyal sa likas na katangian. Ang mga Neural network ay maaaring umangkop sa pagbabago ng input; kaya ang network ay bumubuo ng pinakamahusay na posibleng resulta nang hindi nangangailangan upang muling idisenyo ang output pamantayan. Ang konsepto ng mga neural network, na may mga ugat sa artipisyal na katalinuhan, ay mabilis na nakakakuha ng katanyagan sa pagbuo ng mga sistema ng kalakalan.
Mga Batayan ng Neural Networks
Ang mga network ng neural, sa mundo ng pananalapi, ay tumutulong sa pagbuo ng nasabing proseso tulad ng pagtataya ng serye ng oras, pangangalakal ng algorithm, pag-uuri ng seguridad, pagmomolde ng panganib sa kredito at pagbubuo ng mga tagapagpahiwatig ng pagmamay-ari at derivatives ng presyo.
Ang isang neural network ay gumagana nang katulad sa neural network ng utak ng tao. Ang isang "neuron" sa isang neural network ay isang function ng matematika na nangongolekta at nag-uuri ng impormasyon ayon sa isang tiyak na arkitektura. Ang network ay may isang malakas na pagkakahawig sa mga istatistikong pamamaraan tulad ng curve fitting at regression analysis.
Ang isang neural network ay naglalaman ng mga layer ng magkakaugnay na mga node. Ang bawat node ay isang perceptron at katulad ng isang maramihang linear regression. Pinapakain ng perceptron ang signal na ginawa ng maraming linear regression sa isang activation function na maaaring hindi linya.
Sa isang multi-layered perceptron (MLP), ang mga perceptron ay nakaayos sa magkakaugnay na mga layer. Kinokolekta ng input layer ang mga pattern ng input. Ang output layer ay may mga pag-uuri o signal signal na maaaring mapa ang mga pattern ng pag-input. Halimbawa, ang mga pattern ay maaaring binubuo ng isang listahan ng mga dami para sa mga teknikal na tagapagpahiwatig tungkol sa isang seguridad; ang mga potensyal na output ay maaaring "bumili, " "hawakan" o "ibenta."
Ang mga nakatagong mga layer ay pinapabuti ang mga weightings ng input hanggang sa kaunting error sa neural network ay minimal. Ito ay hypothesized na ang mga nakatagong layer extrapolate salient na mga tampok sa data ng input na may mahuhulaan na kapangyarihan patungkol sa mga output. Inilalarawan nito ang tampok na pagkuha, na gumaganap ng isang utility na katulad ng mga istatistikong istatistika tulad ng mga pangunahing sangkap na pagsusuri.
Mga Key Takeaways
- Ang mga Neural network ay isang serye ng mga algorithm na gayahin ang mga operasyon ng isang utak ng tao upang makilala ang mga relasyon sa pagitan ng malawak na dami ng data. Ginagamit ang mga ito sa iba't ibang mga aplikasyon sa mga serbisyo sa pananalapi, mula sa pagtataya at pananaliksik sa marketing hanggang sa pagtuklas ng pandaraya at pagtatasa ng peligro. Iba-iba ang paggamit ng mga neural network para sa prediksyon ng stock market.
Application ng Neural Networks
Malawakang ginagamit ang mga Neural network, kasama ang mga aplikasyon para sa mga pinansiyal na operasyon, pagpaplano ng negosyo, pangangalakal, analytics ng negosyo at pagpapanatili ng produkto. Ang mga Neural network ay nakakuha din ng malawak na pag-aampon sa mga aplikasyon ng negosyo tulad ng pagtataya at mga solusyon sa pananaliksik sa marketing, pagtuklas ng pandaraya at pagtatasa ng panganib.
Sinusuri ng isang neural network ang data ng presyo at mga oportunidad para sa paggawa ng mga desisyon sa kalakalan batay sa pagsusuri ng data. Ang mga network ay maaaring makilala ang hindi banayad na mga nonlinear interdependencies at mga pattern ng iba pang mga pamamaraan ng teknikal na pagsusuri ay hindi maaaring. Ayon sa pananaliksik, ang kawastuhan ng mga neural network sa paggawa ng mga hula sa presyo para sa mga stock ay naiiba. Ang ilang mga modelo ay hinuhulaan ang tamang mga presyo ng stock 50 hanggang 60 porsyento ng oras habang ang iba ay tumpak sa 70 porsyento ng lahat ng mga pagkakataon. Ang ilan ay nag-post na ang isang 10 porsyento na pagpapabuti sa kahusayan ay maaaring hilingin ng isang mamumuhunan mula sa isang neural network.
Laging mayroong mga set ng data at mga klase ng gawain na mas mahusay na masuri sa pamamagitan ng paggamit ng mga naunang binuo algorithm. Hindi ganoon kadami ang algorithm na mahalaga; ito ay ang handa na data ng pag-input sa naka-target na tagapagpahiwatig na sa huli ay tumutukoy sa antas ng tagumpay ng isang neural network.
