Читать книгу Трейдинг, основанный на интуиции. Как зарабатывать на бирже, используя весь потенциал мозга - Куртис Фейс - Страница 14

Чтобы лучше понять, как тренировать интуицию, рассмотрим процесс развития нейронных сетей, которые обеспечивают связи между нейронами головного мозга. Принцип их работы лег в основу интеллектуальных компьютерных систем. Нейронные сети превосходно позволяют классифицировать и распознавать паттерны, но прежде человек должен развить эти навыки.

Чтобы распознавать паттерны, необходимо подготовить нейронные сети. Этот процесс включает в себя представление нейронной сети образцов тех паттернов, которые нужно научиться распознавать. В процессе обучения в нейронной сети прокладываются связи, которые отражают знания, необходимые для понимания представленного паттерна.

Что такое знание в данном случае? Если вы задумаетесь о процессе, посредством которого ваш мозг определяет, что вы видите (стул или табурет), то сможете составить некое представление о том, как мозг использует знания. Знания о стульях и табуретах – это информация, которую вы используете для того, чтобы понять, что перед вами: стул, табурет или ни то, ни другое. В частности, вы обладаете знанием, что общего у этих двух предметов мебели: и на том и на другом можно сидеть. Вы знаете и их различия: для стула характерны определенная высота, соответствующая размеру типичного стола, а также наличие спинки, в то время как табурет не имеет спинки и, как правило, либо ниже стула и вы можете на него встать, чтобы дотянуться до высоко расположенных предметов, либо выше и используется для того, чтобы сидеть у барной стойки.

Знания в нейронной сети – это идеальные модели, классифицированные в соответствии с системой конкретной предметной области (таксономия), а также отношения между этими моделями. Картинка, которая возникает у вас в голове, когда вы слышите слово «стул», и есть пример идеальной модели. То, благодаря чему вы отличаете стул от табурета, является примером знания вашего мозга об отношениях между идеальными моделями.

Нейронная сеть «обучается», получая новые примеры и сведения о ценности в иерархии внутри определенных категорий. Например, вы можете представить нейронной сети изображение десяти стульев и сказать ей, что это стулья, показать изображение десяти табуретов и сказать ей, что это табуреты, изображение десяти столов и сказать, что это столы. Данный процесс дает нейронной сети возможность выстроить внутренние модели того, что показывают ваши образцы. После тренировки сеть получает внутренние модели, которые представляют свое знание различий между стульями, табуретами и столами.

Таксономия – это система категоризации. Если вы разрабатываете нейронную сеть, которая распознает текст, среди категорий должны быть буквы сами по себе, а также наборы прописных и строчных букв. Один пример следует категоризировать как букву «А», а также отдельно как прописную букву. Другой пример следует категоризировать как букву «с» и строчную букву. Совершенная нейронная сеть обладает достаточными познаниями по каждой категории и способна определять, соответствует ли новый пример определенной категории. Знания, которые необходимы для определения принадлежности того или иного символа данной категории, называются моделью.

Так же, как вы обычно не представляете какой-то особенный стул, встречая слово «стул», модели, которые выстраивает нейронная сеть, не изображаются в виде особых букв, которые попадаются вам в написанном тексте. Вместо этого они представляют собой идеализированную форму каждой буквы. Модель английской буквы S – это идеализированная криволинейная ее форма; она подобна тому, как вы представляете букву S в своем воображении. Чтобы нейронная сеть распознавала букву S, написанную разными шрифтами, имеющаяся модель должна быть достаточно комплексной, чтобы нейросеть могла распознать S среди других букв. Модель не может быть слишком специфической, иначе она не различит , написанную шрифтом Bookman Old Style, , набранную жирным Comic Sans MS, и , написанную Arial Black. Чтобы нейронная сеть функционировала должным образом, в модели, содержащейся в ее нейронных связях, должна быть зафиксирована квинтэссенция буквы в абстрактном смысле.

Представьте, что произойдет с рассматриваемой нами нейронной сетью, если мы покажем ей цифру 5. Сможет ли она найти различие между буквой S и цифрой 5? Это зависит от совершенства модели. Если модель включает в себя концепцию того, что у цифры 5 есть острые углы в верхней части и плавный изгиб в нижней, а у буквы S плавные изгибы имеются и в верхней, и в нижней частях, в модели содержится достаточно знаний для того, чтобы правильно идентифицировать их.

Чтобы научить нейронную сеть должным образом распознавать букву S и цифру 5, требуются примеры, содержащие характеристики, которые проводят различие между двумя символами. Если нейронная сеть обучалась только на примерах с буквами без цифр, она не сможет отличить S от 5. Для эффективного обучения выбор примеров должен быть достаточно широким.

Выбор примеров, предоставляемых нейронной сети, и классификация образцов по степени соответствия модели – работа левого полушария головного мозга. Оно также анализирует сложность любой конкретной проблемы и оценивает потенциальные модели. Например, левое полушарие анализирует сходство между S и 5 и понимает, что необходим по крайней мере еще один дополнительный уровень характеристик, чтобы различать эти похожие знаки. За распознавание паттернов нейронными сетями отвечает правое полушарие. После формирования моделей на основе образцов и тренировки нейронной сети распознавание паттернов и распределение по категориям происходит автоматически. И в компьютере, и в головном мозге человека этот процесс происходит почти мгновенно.

Левое полушарие головного мозга очень хорошо извлекает абстрактные модели из паттернов и образцов, устанавливает и выбирает категории. Правое полушарие прекрасно определяет, соответствует ли данный образец модели, определяющей категорию, и отлично их распознает.

Левое полушарие анализирует, а правое замечает.