w***g
发帖数: 5958 | 1 所谓“深度”，是特指训练三层以上的神经网络。小于三层就是浅的，大于三层就是深
的。
神经网络在９０年代火过一阵，各种理论早就已经成熟了。back propagation的理论跟
网络深度是无关的，但实际运行的时候就是发现层数大于三的话就训练不上去。
所以相当长一段时间内神经网络在机器学习方面被SVM等“浅度”神经网络特例压得
抬不起头。９０年代神经网络拿funding得时候，应该把深浅网络都promise了拿过一遍
钱了。
然后没有deliver，并且把整个人工智能得名声都搞臭了。现在把训练深度网络的问题
部分解决了，需要旧瓶装新酒再拿一次钱。因为“神经网络”的名声已经臭了，
所以造出来“深度学习”这个概念来乎悠人。
(CNN的经典论文LeCun 1998 Gradient-based learning applied to document
recognition.)
然后来说这个“部分解决”的问题。现在深度网络可以训练了，不是理论有了突破，
而是靠的大数据＋快硬件。如果按传统的机器学习套路，一个对象先提取一个特征，
然后应用学习算法，这个数据量其实还是不够大的。各种深度学习的一个典型特征
就是convolution，或者说是sliding window。一个400x400的图片，用40x40的
sliding window扫过去，每隔４个pixel采一次样，就能出来快１００个样本。
如果有1,000,000个图片，其实这种window就有100M个。如果是图片的话一般
还需要对输入图片进行各种抖动产生更多的样本。
除了图片以外，深度学习应用范围都有一个明显的特征，就是可以做sliding window：
从大对象里掐下来局部的一小片，还是一个对象。比如声音，文本，序列。
不是说神经网络对别的数据不干活，而是在别的数据上神经网络对传统技术没那么大
的优势。股票数据是典型的时间序列，所以是落在神经网络的应用范围内的，所以
可以比较肯定地说，神经网络预测股票价格要比别的机器学习技术要强。至于是否能
干活，依赖一个大前提，就是股市本身得是可以预测的。图片，语音啥的，人能
识别，所以明显是可以预测的，所以神经网络干活了。股市在多大程度上可以预测，
这个本身就是一个大问题。 |
d******e
发帖数: 2265 | 2 神经网络不可能预测股市。
这个是game theory的地盘。
你必须知道对手的BDI，才能采取策略。
神经网络解决简单的模式识别问题。解决 sensing,运动，感知就够了。剔出特征。深
层的东西还是要
更传统的AI搞定。
【在 w***g 的大作中提到】
: 所谓“深度”，是特指训练三层以上的神经网络。小于三层就是浅的，大于三层就是深
: 的。
: 神经网络在９０年代火过一阵，各种理论早就已经成熟了。back propagation的理论跟
: 网络深度是无关的，但实际运行的时候就是发现层数大于三的话就训练不上去。
: 所以相当长一段时间内神经网络在机器学习方面被SVM等“浅度”神经网络特例压得
: 抬不起头。９０年代神经网络拿funding得时候，应该把深浅网络都promise了拿过一遍
: 钱了。
: 然后没有deliver，并且把整个人工智能得名声都搞臭了。现在把训练深度网络的问题
: 部分解决了，需要旧瓶装新酒再拿一次钱。因为“神经网络”的名声已经臭了，
: 所以造出来“深度学习”这个概念来乎悠人。
|
x***4
发帖数: 1815 | 3 同意！
我觉得主要是现在的数据比以前多很多，硬件gpu同时也跟上了。
【在 w***g 的大作中提到】
: 所谓“深度”，是特指训练三层以上的神经网络。小于三层就是浅的，大于三层就是深
: 的。
: 神经网络在９０年代火过一阵，各种理论早就已经成熟了。back propagation的理论跟
: 网络深度是无关的，但实际运行的时候就是发现层数大于三的话就训练不上去。
: 所以相当长一段时间内神经网络在机器学习方面被SVM等“浅度”神经网络特例压得
: 抬不起头。９０年代神经网络拿funding得时候，应该把深浅网络都promise了拿过一遍
: 钱了。
: 然后没有deliver，并且把整个人工智能得名声都搞臭了。现在把训练深度网络的问题
: 部分解决了，需要旧瓶装新酒再拿一次钱。因为“神经网络”的名声已经臭了，
: 所以造出来“深度学习”这个概念来乎悠人。
|
N*****m
发帖数: 42603 | 4 赞干货
【在 w***g 的大作中提到】
: 所谓“深度”，是特指训练三层以上的神经网络。小于三层就是浅的，大于三层就是深
: 的。
: 神经网络在９０年代火过一阵，各种理论早就已经成熟了。back propagation的理论跟
: 网络深度是无关的，但实际运行的时候就是发现层数大于三的话就训练不上去。
: 所以相当长一段时间内神经网络在机器学习方面被SVM等“浅度”神经网络特例压得
: 抬不起头。９０年代神经网络拿funding得时候，应该把深浅网络都promise了拿过一遍
: 钱了。
: 然后没有deliver，并且把整个人工智能得名声都搞臭了。现在把训练深度网络的问题
: 部分解决了，需要旧瓶装新酒再拿一次钱。因为“神经网络”的名声已经臭了，
: 所以造出来“深度学习”这个概念来乎悠人。
|
a*f
发帖数: 1790 | 5 back propagation加上一个biaz输入能暴力拟合的原理是什么？training的过程感觉是
反复迭代，如果迭代结果和实际数据的均方差不收敛怎么处理？这种过程有没有数学手
段分析其有效性？ |
w***g
发帖数: 5958 | 6 围棋也是game theory，现在神经网络也号称用上了。
我对股市的理解：股市基本上是一个multi-scale massive multi-player game。
这个游戏在任意时间scale上，都有很多人在玩。如果众多玩家中使用最优策略
的玩家数量超过一定的阈值，这个游戏的走向就会变得不可预测。
(Boosting理论：足够多的傻B玩家，这些傻B玩家如果每个人能比随机乱猜
好哪怕一星星点，足够多的傻B玩家合起来就能顶得上超级玩家。
所以玩的人多，钱就不好赚。)
想赚钱，就得找到一个使用最优策略玩家少的时间scale。一个办法就是利用
系统门槛，在极小的时间scale上玩high frequency trading。
如果你的scale比所有人小，那么这个scale上就只有你一个人玩，钱就
容易赚。
【在 d******e 的大作中提到】
: 神经网络不可能预测股市。
: 这个是game theory的地盘。
: 你必须知道对手的BDI，才能采取策略。
: 神经网络解决简单的模式识别问题。解决 sensing,运动，感知就够了。剔出特征。深
: 层的东西还是要
: 更传统的AI搞定。
|
a*f
发帖数: 1790 | 7 三层算深度吗？一层input, 一层hidden，一层output。如果hidden>1就不容易训练了
是吗？
【在 w***g 的大作中提到】
: 所谓“深度”，是特指训练三层以上的神经网络。小于三层就是浅的，大于三层就是深
: 的。
: 神经网络在９０年代火过一阵，各种理论早就已经成熟了。back propagation的理论跟
: 网络深度是无关的，但实际运行的时候就是发现层数大于三的话就训练不上去。
: 所以相当长一段时间内神经网络在机器学习方面被SVM等“浅度”神经网络特例压得
: 抬不起头。９０年代神经网络拿funding得时候，应该把深浅网络都promise了拿过一遍
: 钱了。
: 然后没有deliver，并且把整个人工智能得名声都搞臭了。现在把训练深度网络的问题
: 部分解决了，需要旧瓶装新酒再拿一次钱。因为“神经网络”的名声已经臭了，
: 所以造出来“深度学习”这个概念来乎悠人。
|
w***g
发帖数: 5958 | 8 已经从数学上证明:
１:神经网络能拟合任意数学函数
２:recursive神经网络能模拟图灵机。
这两点是这么多人前赴后继地折腾这个技术的理论支持。数学分析多得很。
机器学习这个领域其实一直是做系统的牛于数学分析。在好的数学，不干活就是没用。
几个响当当的算法，比如boosting, naive bayes啥的名气都是建立在解决实际
问题上的。现在再回过头来看，naive bayes (boosting)没啥了不起的，
垃圾邮件监测(人脸识别)也不一定非要用naive bayes (boosting)来做，如果光看
推公式是没法理解这些算法的业界地位的。业界地位就是第一个解决某问题的系统
用了某方法，而不是某方法在数学上有啥独到之处。
【在 a*f 的大作中提到】
: back propagation加上一个biaz输入能暴力拟合的原理是什么？training的过程感觉是
: 反复迭代，如果迭代结果和实际数据的均方差不收敛怎么处理？这种过程有没有数学手
: 段分析其有效性？
|
d******e
发帖数: 2265 | 9 no.围棋是problem space恒定的就是很大而已。暴力算好了。
股市是非线性dynamic。或者说90年代另外一门显学 chaotic 的。
你必须计算对手的心理突变点，然后找到冒险点。
如果暴力算一定找最优策略，结果很现实，有效市场， 谁也不要赚钱，活着说买sp
500。
都是常识不需要机器学习了。
【在 w***g 的大作中提到】
: 围棋也是game theory，现在神经网络也号称用上了。
: 我对股市的理解：股市基本上是一个multi-scale massive multi-player game。
: 这个游戏在任意时间scale上，都有很多人在玩。如果众多玩家中使用最优策略
: 的玩家数量超过一定的阈值，这个游戏的走向就会变得不可预测。
: (Boosting理论：足够多的傻B玩家，这些傻B玩家如果每个人能比随机乱猜
: 好哪怕一星星点，足够多的傻B玩家合起来就能顶得上超级玩家。
: 所以玩的人多，钱就不好赚。)
: 想赚钱，就得找到一个使用最优策略玩家少的时间scale。一个办法就是利用
: 系统门槛，在极小的时间scale上玩high frequency trading。
: 如果你的scale比所有人小，那么这个scale上就只有你一个人玩，钱就
|
w***g
发帖数: 5958 | 10 你说的对, hidden > 1就不容易训练。
【在 a*f 的大作中提到】
: 三层算深度吗？一层input, 一层hidden，一层output。如果hidden>1就不容易训练了
: 是吗？
|
|
|
w***g
发帖数: 5958 | 11 我要说的就是有效市场不可预测。
你说的似乎跟做庄有关系。做庄是反有效市场的。所以有人做庄，
市场反而会变得可以预测。和HFT独立的一个找玩家个数少的
scale的办法就是identify有做庄迹象的个股，然后预测庄家行为。
【在 d******e 的大作中提到】
: no.围棋是problem space恒定的就是很大而已。暴力算好了。
: 股市是非线性dynamic。或者说90年代另外一门显学 chaotic 的。
: 你必须计算对手的心理突变点，然后找到冒险点。
: 如果暴力算一定找最优策略，结果很现实，有效市场， 谁也不要赚钱，活着说买sp
: 500。
: 都是常识不需要机器学习了。
|
l*******m
发帖数: 1096 | 12 深度学习的定义本身就很模糊。word2vec从层数上讲不够，但是被列为DL在NLP的重要
应用
【在 w***g 的大作中提到】
: 所谓“深度”，是特指训练三层以上的神经网络。小于三层就是浅的，大于三层就是深
: 的。
: 神经网络在９０年代火过一阵，各种理论早就已经成熟了。back propagation的理论跟
: 网络深度是无关的，但实际运行的时候就是发现层数大于三的话就训练不上去。
: 所以相当长一段时间内神经网络在机器学习方面被SVM等“浅度”神经网络特例压得
: 抬不起头。９０年代神经网络拿funding得时候，应该把深浅网络都promise了拿过一遍
: 钱了。
: 然后没有deliver，并且把整个人工智能得名声都搞臭了。现在把训练深度网络的问题
: 部分解决了，需要旧瓶装新酒再拿一次钱。因为“神经网络”的名声已经臭了，
: 所以造出来“深度学习”这个概念来乎悠人。
|
l*******m
发帖数: 1096 | 13 我认为股市在统计上是可以预测的，但是很难赚钱，因为预测失误时都是十分大的loss。
【在 d******e 的大作中提到】
: no.围棋是problem space恒定的就是很大而已。暴力算好了。
: 股市是非线性dynamic。或者说90年代另外一门显学 chaotic 的。
: 你必须计算对手的心理突变点，然后找到冒险点。
: 如果暴力算一定找最优策略，结果很现实，有效市场， 谁也不要赚钱，活着说买sp
: 500。
: 都是常识不需要机器学习了。
|
T********i
发帖数: 2416 | 14 昨天还和聊这个问题。RNN能模拟图灵机是90年代中期证明了的。不知道为啥花了这么
多年才火起来？
这个模拟图灵机是无限逼近。机理完全不同。图灵机内存是无限的。RNN模拟的代价是
什么？如何估计？这方面有论文么？是不是最后陷入堆机器的邪路？
据说谷歌的神经图灵机，只完成一项简单任务，拷贝字符串。
话说回来，真模拟成了又如何？假定模拟出一个完美大脑，样样都比人强。而且没有神
经病。用来干啥？搞不好还要训练它成一个程序员来写图灵机程序。。。 |
w***g
发帖数: 5958 | 15 数学上能证明可行的事情有很多，很多idea几十年前都已经被写成paper发出来了。
但是写paper的人自己不会去绞尽脑汁把系统做出来，或者说其实就是绞尽脑汁
其实也做不出来。爱因斯坦语言的引力波过了１００年整才被观测到。无非也就是系统
最近做成了而已。实现上有很多engineering的困难是跟数学证明没啥关系的。
东西做成了再回过头来看，发现paper其实早被发过了，
再推广一下理论，其实发现牛顿柏努力那时候就已经早研究清楚了。
没啥奇怪的。但是给你一堆paper，证明都是对的，要挑出来一篇做成系统其实
非常难。
神经网络最后超过人脑，电脑控制机器，发展出self-reproducing machine，
飞出地球，指数增长，耗尽宇宙资源，最大化全宇宙的entropy。基本上我觉得
就是这个过程。
【在 T********i 的大作中提到】
: 昨天还和聊这个问题。RNN能模拟图灵机是90年代中期证明了的。不知道为啥花了这么
: 多年才火起来？
: 这个模拟图灵机是无限逼近。机理完全不同。图灵机内存是无限的。RNN模拟的代价是
: 什么？如何估计？这方面有论文么？是不是最后陷入堆机器的邪路？
: 据说谷歌的神经图灵机，只完成一项简单任务，拷贝字符串。
: 话说回来，真模拟成了又如何？假定模拟出一个完美大脑，样样都比人强。而且没有神
: 经病。用来干啥？搞不好还要训练它成一个程序员来写图灵机程序。。。
|
T********i
发帖数: 2416 | 16 这个神经网，最大的问题是搞不明白到底咋工作的。用流行语言讲就是理都懂，然并卵。
就像你说的是工程问题。训练以后得到一堆解析解。费那么大劲造一个图灵机只能拷贝
字符串。离超过大脑还远去了。
我加入两个NLP群已经很久了。那个领域剩下的也都是硬骨头。不知道多久才能啃得动？
其实人工智能为啥要处处去模仿人？视觉听觉都专注人类感知的频谱。语言也要能理解
人类语言。貌似现在的动力就是要取代人。这是这个人剥削人人压迫人的社会的最大的
需求。
其实，退一步，造一个比人类有进化优势，能够分分钟干掉人类的机器，要容易多了。
【在 w***g 的大作中提到】
: 数学上能证明可行的事情有很多，很多idea几十年前都已经被写成paper发出来了。
: 但是写paper的人自己不会去绞尽脑汁把系统做出来，或者说其实就是绞尽脑汁
: 其实也做不出来。爱因斯坦语言的引力波过了１００年整才被观测到。无非也就是系统
: 最近做成了而已。实现上有很多engineering的困难是跟数学证明没啥关系的。
: 东西做成了再回过头来看，发现paper其实早被发过了，
: 再推广一下理论，其实发现牛顿柏努力那时候就已经早研究清楚了。
: 没啥奇怪的。但是给你一堆paper，证明都是对的，要挑出来一篇做成系统其实
: 非常难。
: 神经网络最后超过人脑，电脑控制机器，发展出self-reproducing machine，
: 飞出地球，指数增长，耗尽宇宙资源，最大化全宇宙的entropy。基本上我觉得
|
T********i
发帖数: 2416 | 17 其实理论简单多了。人类目前所有的知识，理论上编码一个正整数就都表达了。就是图
灵机tape上写一行而已。推理规则也容易得很。
但是工程上实现，咱们这辈子能不能看得着？不好说。我不是很乐观。 |
S****8
发帖数: 401 | 18 是这个道理哈哈
【在 w***g 的大作中提到】
: 数学上能证明可行的事情有很多，很多idea几十年前都已经被写成paper发出来了。
: 但是写paper的人自己不会去绞尽脑汁把系统做出来，或者说其实就是绞尽脑汁
: 其实也做不出来。爱因斯坦语言的引力波过了１００年整才被观测到。无非也就是系统
: 最近做成了而已。实现上有很多engineering的困难是跟数学证明没啥关系的。
: 东西做成了再回过头来看，发现paper其实早被发过了，
: 再推广一下理论，其实发现牛顿柏努力那时候就已经早研究清楚了。
: 没啥奇怪的。但是给你一堆paper，证明都是对的，要挑出来一篇做成系统其实
: 非常难。
: 神经网络最后超过人脑，电脑控制机器，发展出self-reproducing machine，
: 飞出地球，指数增长，耗尽宇宙资源，最大化全宇宙的entropy。基本上我觉得
|
T*******x
发帖数: 8565 | 19 受教。谢谢。
【在 w***g 的大作中提到】
: 所谓“深度”，是特指训练三层以上的神经网络。小于三层就是浅的，大于三层就是深
: 的。
: 神经网络在９０年代火过一阵，各种理论早就已经成熟了。back propagation的理论跟
: 网络深度是无关的，但实际运行的时候就是发现层数大于三的话就训练不上去。
: 所以相当长一段时间内神经网络在机器学习方面被SVM等“浅度”神经网络特例压得
: 抬不起头。９０年代神经网络拿funding得时候，应该把深浅网络都promise了拿过一遍
: 钱了。
: 然后没有deliver，并且把整个人工智能得名声都搞臭了。现在把训练深度网络的问题
: 部分解决了，需要旧瓶装新酒再拿一次钱。因为“神经网络”的名声已经臭了，
: 所以造出来“深度学习”这个概念来乎悠人。
|
l*********s
发帖数: 5409 | |
|
|
d*******r
发帖数: 3299 | 21 所以做了一段时间research后，特烦学校里有些paper，没几句人话，全是堆公式。
费老大劲看懂后，发觉就是带着你绕，基本没啥干货，更没啥用...
【在 w***g 的大作中提到】
: 已经从数学上证明:
: １:神经网络能拟合任意数学函数
: ２:recursive神经网络能模拟图灵机。
: 这两点是这么多人前赴后继地折腾这个技术的理论支持。数学分析多得很。
: 机器学习这个领域其实一直是做系统的牛于数学分析。在好的数学，不干活就是没用。
: 几个响当当的算法，比如boosting, naive bayes啥的名气都是建立在解决实际
: 问题上的。现在再回过头来看，naive bayes (boosting)没啥了不起的，
: 垃圾邮件监测(人脸识别)也不一定非要用naive bayes (boosting)来做，如果光看
: 推公式是没法理解这些算法的业界地位的。业界地位就是第一个解决某问题的系统
: 用了某方法，而不是某方法在数学上有啥独到之处。
|
s******3
发帖数: 344 | 22 re
【在 w***g 的大作中提到】
: 所谓“深度”，是特指训练三层以上的神经网络。小于三层就是浅的，大于三层就是深
: 的。
: 神经网络在９０年代火过一阵，各种理论早就已经成熟了。back propagation的理论跟
: 网络深度是无关的，但实际运行的时候就是发现层数大于三的话就训练不上去。
: 所以相当长一段时间内神经网络在机器学习方面被SVM等“浅度”神经网络特例压得
: 抬不起头。９０年代神经网络拿funding得时候，应该把深浅网络都promise了拿过一遍
: 钱了。
: 然后没有deliver，并且把整个人工智能得名声都搞臭了。现在把训练深度网络的问题
: 部分解决了，需要旧瓶装新酒再拿一次钱。因为“神经网络”的名声已经臭了，
: 所以造出来“深度学习”这个概念来乎悠人。
|
c*****w
发帖数: 50 | 23 代价是无限的浮点数精度
【在 T********i 的大作中提到】
: 昨天还和聊这个问题。RNN能模拟图灵机是90年代中期证明了的。不知道为啥花了这么
: 多年才火起来？
: 这个模拟图灵机是无限逼近。机理完全不同。图灵机内存是无限的。RNN模拟的代价是
: 什么？如何估计？这方面有论文么？是不是最后陷入堆机器的邪路？
: 据说谷歌的神经图灵机，只完成一项简单任务，拷贝字符串。
: 话说回来，真模拟成了又如何？假定模拟出一个完美大脑，样样都比人强。而且没有神
: 经病。用来干啥？搞不好还要训练它成一个程序员来写图灵机程序。。。
|
y******e
发帖数: 5906 | 24 CNN只是其中的一种模型吧，处理图片声音视频音频效果好。
还有RBM，DBN之类的。
最开始Deep learning就给了个大致的框架出来，两年多前加拿大那老头儿是保密了的
，我看了半天也没办法复原他的详细算法，不晓得现在解密了没有。Deep learning本
质还是NN的。和BP有相似的地方，但比BP更强大。
【在 w***g 的大作中提到】
: 所谓“深度”，是特指训练三层以上的神经网络。小于三层就是浅的，大于三层就是深
: 的。
: 神经网络在９０年代火过一阵，各种理论早就已经成熟了。back propagation的理论跟
: 网络深度是无关的，但实际运行的时候就是发现层数大于三的话就训练不上去。
: 所以相当长一段时间内神经网络在机器学习方面被SVM等“浅度”神经网络特例压得
: 抬不起头。９０年代神经网络拿funding得时候，应该把深浅网络都promise了拿过一遍
: 钱了。
: 然后没有deliver，并且把整个人工智能得名声都搞臭了。现在把训练深度网络的问题
: 部分解决了，需要旧瓶装新酒再拿一次钱。因为“神经网络”的名声已经臭了，
: 所以造出来“深度学习”这个概念来乎悠人。
|
c****x
发帖数: 6601 | 25 1998年就有的东西，18年后才翻身，真是不容易啊。
【在 w***g 的大作中提到】
: 所谓“深度”，是特指训练三层以上的神经网络。小于三层就是浅的，大于三层就是深
: 的。
: 神经网络在９０年代火过一阵，各种理论早就已经成熟了。back propagation的理论跟
: 网络深度是无关的，但实际运行的时候就是发现层数大于三的话就训练不上去。
: 所以相当长一段时间内神经网络在机器学习方面被SVM等“浅度”神经网络特例压得
: 抬不起头。９０年代神经网络拿funding得时候，应该把深浅网络都promise了拿过一遍
: 钱了。
: 然后没有deliver，并且把整个人工智能得名声都搞臭了。现在把训练深度网络的问题
: 部分解决了，需要旧瓶装新酒再拿一次钱。因为“神经网络”的名声已经臭了，
: 所以造出来“深度学习”这个概念来乎悠人。
|
P**H
发帖数: 1897 | 26 是06年的东西。也不知今年才翻的。11-12年左右，就开始抬头了。这次是要借alpha
go再炒炒。
应用就是LZ说的，图像分类，语音识别，文字识别。其他目前没看出有什么优势。
【在 c****x 的大作中提到】
: 1998年就有的东西，18年后才翻身，真是不容易啊。
|
p**2
发帖数: 613 | |
a*f
发帖数: 1790 | 28 DL是不是也算BP一种，只是activation function和learning和传统BP有区别？
【在 y******e 的大作中提到】
: CNN只是其中的一种模型吧，处理图片声音视频音频效果好。
: 还有RBM，DBN之类的。
: 最开始Deep learning就给了个大致的框架出来，两年多前加拿大那老头儿是保密了的
: ，我看了半天也没办法复原他的详细算法，不晓得现在解密了没有。Deep learning本
: 质还是NN的。和BP有相似的地方，但比BP更强大。
|
P******X
发帖数: 482 | 29 哈哈，是你几个月前吹乎人工智能的吧。
除了大数据+快硬件这部分都是一个码农的臆想。谁告诉你理论没突破的。这一波是多
伦多老头Hinton搞出来的。人家是学实验心理学出身的，对最根本的统计和优化概念都
有严格深
入的理解。他搞的这套跟八，九十年代的深井网没啥关系，只是表面像而已。码农这点
眼界不要乱说。你即然提了LeCun,干嘛不看看他这几年在搞啥。
鼓票难测是因为花街投资人追捧的是未来潜力。过去和现在的业绩啥的都是皮。码农也
好理工男也好，好歹看看金融101，再找个实际在花街做analyst给你讲将人家都咋想的
再来扯。当然现在鼓票都有每分钟的数据，正好分析，但现有的理论和工具可没啥大用
。新的有用的有人搞。不告速你 |
f******2
发帖数: 2455 | 30 股票预测不应该（纯粹）是time series分析，应该是很多信号的总和，比如报纸，tv
的sentiment等信号，人员变动等indicator。
换句话说，dl能否做，fundamentals 的预测和评估，而不是day trading这种和人斗争
的game theory
【在 P******X 的大作中提到】
: 哈哈，是你几个月前吹乎人工智能的吧。
: 除了大数据+快硬件这部分都是一个码农的臆想。谁告诉你理论没突破的。这一波是多
: 伦多老头Hinton搞出来的。人家是学实验心理学出身的，对最根本的统计和优化概念都
: 有严格深
: 入的理解。他搞的这套跟八，九十年代的深井网没啥关系，只是表面像而已。码农这点
: 眼界不要乱说。你即然提了LeCun,干嘛不看看他这几年在搞啥。
: 鼓票难测是因为花街投资人追捧的是未来潜力。过去和现在的业绩啥的都是皮。码农也
: 好理工男也好，好歹看看金融101，再找个实际在花街做analyst给你讲将人家都咋想的
: 再来扯。当然现在鼓票都有每分钟的数据，正好分析，但现有的理论和工具可没啥大用
: 。新的有用的有人搞。不告速你
|
|
|
a*f
发帖数: 1790 | 31 learning的过程好像就是在下面类似一个MSE的3D mesh上面选择一条路径。选好了就能
找到一个MSE极小值。
如果有统计的方法能主动指导learning的方向就好了
【在 w***g 的大作中提到】
: 所谓“深度”，是特指训练三层以上的神经网络。小于三层就是浅的，大于三层就是深
: 的。
: 神经网络在９０年代火过一阵，各种理论早就已经成熟了。back propagation的理论跟
: 网络深度是无关的，但实际运行的时候就是发现层数大于三的话就训练不上去。
: 所以相当长一段时间内神经网络在机器学习方面被SVM等“浅度”神经网络特例压得
: 抬不起头。９０年代神经网络拿funding得时候，应该把深浅网络都promise了拿过一遍
: 钱了。
: 然后没有deliver，并且把整个人工智能得名声都搞臭了。现在把训练深度网络的问题
: 部分解决了，需要旧瓶装新酒再拿一次钱。因为“神经网络”的名声已经臭了，
: 所以造出来“深度学习”这个概念来乎悠人。
|
c******r
发帖数: 300 | 32 dl这些说白了就是个强大的fitter，预测股票这种signal to noise小的东西用不好就
是overfitting，这就是为啥一般金融公司不招寸码工做预测模型
tv
【在 f******2 的大作中提到】
: 股票预测不应该（纯粹）是time series分析，应该是很多信号的总和，比如报纸，tv
: 的sentiment等信号，人员变动等indicator。
: 换句话说，dl能否做，fundamentals 的预测和评估，而不是day trading这种和人斗争
: 的game theory
|
