Эд Бойден: Переключатель для нейронов

Эд Бойден рассказывает, как посредством внедрения генов светочувствительных белков в клетки мозга можно выборочно активировать или деактивировать отдельные нейроны с помощью оптоволоконных имплантантов. С таким невероятным качеством контроля ему удалось вылечить мышей с аналогами посттравматического стрессового расстройства и определенными формами слепоты. На горизонте - нейронное протезирование. Ведущий - Хуан Энрикес - задает несколько вопросов в конце лекции.

Перевод с английского (Alina Bychkova) :

Представьте свой обычный день. Вы проснулись, вдохнули свежий воздух, выйдя за дверь, встретили новых коллег и что-нибудь обсудили, поразились, узнав что-нибудь новое. Но готов поспорить, кое о чем вы не вспомнили - о чем-то настолько близком, что вы, возможно, об этом не так часто думаете. А именно - о том, что все ощущения, решения и действия осуществляются посредством компьютера в вашей голове под названием мозг.

Внешний вид мозга никак не отражает его устройства - розовато-сероватая, бесформенная масса, но за последние сотню лет нейробиология позволила нам заглянуть внутрь мозга, и увидеть, как непросто он устроен. От ученых мы узнали, что мозг - это невероятно сложная электросхема, состоящая из миллионов клеток, которые называются нейронами. В отличие от компьютера, созданного людьми, где количество деталей вполне обозримо - и мы знаем, как они работают, потому что это мы их сделали - мозг состоит из тысяч разновидностей клеток, может быть, даже десятков тысяч. Они разной формы; они состоят из разных молекул; и они тесно связаны с различными областями мозга. А также они меняют свое поведение при разных болезнях.

Квабена Боахен рассказывает о компьютере, который работает по принципу мозга

Исследователь Квабена Боахен ищет пути повторения в силиконе колоссальной вычислительной мощности человеческого мозга, поскольку изучение беспорядочных, характеризующихся высокой избыточностью процессов, протекающих в голове человека, даёт реальный толчок для создания небольшого, лёгкого и супер быстрого компьютера.

Перевод выступления:

Я получил свой первый компьютер, когда был ещё подростком и жил в Аккре, и это была реально крутая машина. На нем можно было играть в компьютерные игры, можно было программировать на Бейсике. Я был просто очарован. И пошёл в библиотеку, чтобы выяснить, как эта штука работает. Я прочёл о том, как центральный процессор постоянно пересылает туда-обратно данные, которыми обмениваются память, ОЗУ и АЛУ, арифметическо-логическое устройство. И я подумал про себя, что этот ЦП должен работать просто как сумасшедший только для того, чтобы поддерживать передачу по системе всех этих данных.

Себастьян Сеунг: Я – это мой коннектом

Себастьян Сеунг создает новую сверхамбициозную модель-карту головного мозга, описывающую все соединения каждого нейрона. Он называет ее "коннектомом". Коннектом индивидуален для каждого, также как и геном человека. Понимание коннектома может открыть новые пути для дальнейшего изучения мозга и разума.

Перевод выступления:

Мы живем в удивительное время, эру геномики. Ваш геном – это вся последовательность вашей ДНК. Ваша и моя последовательности немного различаются. Вот почему мы выглядим по-разному. У меня карие глаза. Ваши могут быть голубыми или серыми. Но дело не только во внешности. Газеты пестрят заголовками, что наши гены передают нам страшные заболевания, формируют наши личности или даже являются причиной умственных расстройств. Похоже, наши гены имеют колоссальное влияние на наши судьбы. И все же, я склонен думать, что я больше чем мои гены. Я - это мой коннектом.

Генри Маркрам строит мозг в суперкомпьютере

Тайны устройства разума могут быть решены, и довольно скоро, говорит Генри Маркрам. Поскольку умственные заболевания, память и восприятие составлены из нейронов и электрических сигналов, он планирует обнаружить всё это с помощью суперкомпьютера, который смоделирует все 100 триллионов синапсов в мозге.

Перевод выступления:

Наша миссия – построить детальную, реалистичную компьютерную модель человеческого мозга. За последние четыре года мы показали, что концепция состоятельна на примере небольшой части мозга грызуна, и на основе этого расширяем проект на крупные масштабы, чтобы достичь уровня мозга человека.

Почему мы это делаем? Для этого есть три важные причины. Первая. Понимание устройства человеческого мозга для нас важно, если мы намерены сосуществовать как сообщество, а это, по моему мнению, – поворотный этап для эволюции. Вторая причина – нельзя вечно продолжать экспериментировать на животных: необходимо отразить все полученные сведения и знания в работающей модели. Это как Ноев ковчег, как архив. И третья причина в том, что два миллиарда человек на планете страдают умственными расстройствами, а используемые сегодня лекарства, – в основном, эмпирические. Думаю, что нам удастся найти вполне конкретные способы излечения заболеваний.

Доклад Дмитрия Дзюба - Нейронные сети: современное состояние и области применения

Дмитрий Дзюба специализируется на рекуррентных и ассоциативных нейронных сетях, а также занимается проблемами нейроуправления, и алгоритмами компьютерного зрения.

Помимо этого координирует разработки в области робототехники для экспериментальных исследований созданных систем в рамках лаборатории AILEN Lab. Он выпускник Физико-Технического Института при КПИ, работает в Институте Проблем Математических Машин и Систем НАНУ, младший научный сотрудник.

Доклад "Нейронные сети: современное состояние и области применения" - это обзор основных существующих типов нейронных сетей и методов их обучения, рассмотрение необходимых условий их успешного практического применения и обсуждение слабых мест нейросетевого подхода.

Диссертация - Прогнозирование валютных курсов с использованием эконометрических моделей и искусственных нейронных сетей

Отрывок из документа:

Данная работа является попыткой разобраться в принципиальном существовании или отсутствии возможности прогнозирования финансовых рынков, а также сущности классических и современных методов прогнозирования.

Таким образом, целью данной работы является получение теоретических и практических навыков эффективного прогнозирования финансовых рынков.

Работа поделена на теоретическую и практическую части. В главе I теоретической части содержатся общие сведения о международном валютном рынке FOREX, описывается история его возникновения и основные тенденции развития. Далее раскрывается сущность фундаментального и технического анализа, приводится понятие торговой системы, её практическое значение, обсуждаются общие проблемы прогнозирования валютного рынка.

Глава II посвящена теоретическим аспектам прогнозирования временных рядов. В данном разделе в рамках линейного подхода рассматриваются параметрические и непараметрические типы моделей, обсуждается проблема стационарности ряда. В рамках нелинейного подхода рассматриваются теоретические аспекты построения нейросетевых моделей прогноза.

В главе III разбирается практическая сторона прогнозирования временных рядов. На примере валютной пары USDCHF отрабатываются навыки построения прогнозных моделей. В первой части главы III отрабатываются навыки прогнозирования временного ряда линейными методами: параметрическим и непараметрическим, дается оценка качества прогнозных моделей и делается вывод об их применимости. Вторая часть главы III посвящена прогнозированию временного ряда с использование нелинейных моделей (искусственных нейронных сетей). В рамках данного подхода решаются различные оптимизационные задачи (максимизация прибыли, минимизация ошибки, классификация образов).

В заключительной части подводится итог проделанной работы.

Кевин Славин: Как алгоритмы формируют наш мир

Кевин Славин утверждает, что мы живём в мире, построенном и во всё большей степени управляемым алгоритмами. В этом захватывающем выступлении на TED Global, он демонстрирует, как сложные компьютерные программы определяют: тактики шпионажа, цены акций, сценарии фильмов, и архитектуру.

Он предупреждает, что мы пишем код, который не можем понять, с последствиями, которые не можем контролировать.

Перевод выступления:

Это — фотография Майкла Найджара, и она настоящая, в том смысле, что он поехал в Аргентину, чтобы сделать фотографию. Но она также и выдумка. После этого в неё было вложено много работы. Он взял и переделал её на компьютере так, чтобы все очертания гор следовали превратностям индекса Доу-Джонса.

Что вы видите, вот тот обрыв, высокий обрыв с долиной, это финансовый кризис 2008-го года. Эта фотография была сделана, когда мы были глубоко вот там в долине. Я не знаю, где мы находимся сейчас. Это индекс Хан-Сенга, из Гонконга. Схожая топография. Я в догадках, почему.

Фотография Майкла Найджара

Диссертация - Управление портфелем ценных бумаг на основе D-оценок Руссмана и нейросетевого моделирования

Отрывок из документа:

Научная новизна заключается в разработке подхода к управлению портфелем ценных бумаг для краткосрочных стратегий, отличающегося от существующих тем, что в его основу положено совместное использование D-оценок Руссмана и методов нейросетевого моделирования.

Такое объединение, с одной стороны, позволяет с помощью аппарата D-оценок получать не только текущие, но и ожидаемые оценки риска, с другой стороны, для нейронных сетей отпадает необходимость прогнозирования непосредственных значений котировок, а вместо нее решается значительно более простая задача прогнозирования коридора будущих значений цен.

Теоретическую и методологическую основу исследования составили современная теория финансовых рынков, а также последние достижения в области нейросетевого моделирования.

В процессе работы над диссертацией использовались труды отечественных и зарубежных ученых в области построения моделей портфельного инвестирования, инвестиционного менеджмента, применения нейронных сетей к анализу финансовых рынков.

Автореферат - Управление портфелем ценных бумаг на основе D-оценок Руссмана и нейросетевого моделирования

Отрывок из документа:

Как известно, российскому рынку ценных бумаг присущи следующие особенности: неликвидность значительной доли ценных бумаг, доминирующее влияние игровых спекулятивных операций, резкое изменение тенденций, отсутствие зависимости стоимости акций от финансовых результатов эмитента, информационная непрозрачность, доминирующее значение политических и макроэкономических факторов, большая волатильность.

Все это вызывает большие трудности для оценки и прогнозирования значений рыночных показателей и усложняет применение долгосрочных инвестиционных стратегий. Вследствие чего наиболее популярна сейчас активная стратегия управления портфелем, которая сводится к частому пересмотру портфеля в поисках финансовых инструментов, неверно оцененных рынком, и торговле ими с целью получить более высокую доходность...

Дополнения (Add-ons) к NeuroShell Trader

Содержание.

1. Adaptive Net Indicators.
2. Adaptive TurboProp2.
3. Neural Indicators.
4. Advanced Indicator Set 1 , Ward System Group, Inc.
5. Advanced Indicator Set 2 , Ward System Group, Inc.
6. Cluster Indicators.
7. Дополнение Fuzzy Pattern Recognizer (Распознавание фигур на базе нечеткой логики), Ward System Group, Inc.
8. Turning Points.
9. Cybernetic Analysis,Ward Systems Group, Inc.
10. Pattern Matcher.

Для расширения функциональности NeuroShell Trader были разработаны специальные дополнения, реализующие дополнительные наборы индикаторов и некоторые полезные алгоритмы.

Уровни волатильности - Часть 4

В этой части мы возьмём выборку данных валютной пары EURUSD от 2001 до 2010 года. Будем использовать дневной индикатор ATR с периодом 50 и на этот раз для настройки стратегий включим большее количество уровней.

Вот уровни, которые будут отображены на графике индикатора ATR: 0.0050, 0.0080, 0.0100, 0.0120, 0.0140, 0.0160, 0.0180, 0.0200. В качестве эксперимента каждый может потом попробовать любые другие уровни. На разных символах эти уровни конечно же могут сильно отличаться.

Построим ещё ряд индикаторов, которые будут нам показывать периоды волатильности более наглядно, и объединим их в одном окне. Это будет семь индикаторов, каждый из которых будет окрашен в свой цвет в зависимости от того, на каком уровне сейчас находится кривая индикатора ATR.

Используем метод окрашивания, как на географическом атласе, то есть, самые низкие (глубокие) периоды тёмно-синие, а самые высокие – тёмно-красного цвета.

Дополнение (Add-ons) Turning Points - Часть 2

Продолжим наше исследование по созданию нейронных сетей для торговли в программе NeuroShell Day Trader Professional. Сейчас мы создадим ещё три нейронных сети, но на этот раз попробуем использовать не базовый набор индикаторов, а аддоны.

Аддоны это дополнения к программе NeuroShell, которые приобретаются отдельно. В этот раз мы воспользуемся аддоном Turning Points.

Этот набор индикаторов, основан на идее поиска локальных пиков и впадин во временных рядах. Пик определяется как точка, в которой цена high больше или равна ценам high в окрестности этой точки. Впадина определяется как точка, где цена low меньше или равна цен low в окрестности. С этим, а также некоторыми другими описаниями дополнений к NeuroShell DayTrader Professional, более подробно можно ознакомиться в статье Дополнения (Add-ons) к NeuroShell Trade.

В качестве входов первой сети этой серии мы используем 8 индикаторов из набора Turning Points. 4 индикатора типа mean VP и 4 индикатора типа mean PV.

Модифицированные базовые индикаторы в NeuroShell DayTrader - Часть 1

Просматривал свой архив и нашёл задокументированные эксперименты в NeuroShell DayTrader Professional. Помню даже публиковал их на некоторых форумах (2010 год), но в итоге там темы настолько "засорились" в итоге, что их там уже довольно сложно найти. Решил опубликовать их все здесь. Всего будет четыре части.

При построении нейронной сети для торговли  мы сталкиваемся с рядом вопросов также, как и тогда, когда мы создаём торговую стратегию без использования нейронных сетей. Так как рынок всё время меняется нам нужно определить, какой период на графике нам взять для тренировки/обучения нейронной сети. Допустим, Вы выбрали высоковолатильный период и вот вопросы, которые должны возникнуть при этом выборе:

- Насколько высоковолатильный?
- Волатильность высокая эта проявляется, где, в тренде или во флэте?
- Если тренд, то куда вверх или вниз?
- Или вверх и вниз поочерёдно?
- Если флэт, какой размер диапазона в пунктах?
- Какое количество баров должен содержать этот период?
- На каком таймфрейме?

Прежде, чем двигаться дальше, нужно ответить на все эти вопросы. Итак, по порядку:

Разборки с волатильностью - Часть 3

В предыдущих двух частях нашего исследования мы пришли к выводу, что волатильность, в зависимости от того, на каком уровне она в определённый момент находится, может служить нам подсказкой или даже лучше скажем функцией, которая включает ту или иную стратегию под текущее состояние рынка.

На этот раз расширим инструментарий. Будем измерять дневную и недельную волатильность на дневном таймфрейме. Можно конечно анализировать более полную картину со всех возможных таймфреймов, но в той версии NeuroShell DayTrader в которой проводится эксперимент нет такой возможности. А если использовать специальные для этого аддоны, то программа просто не сможет обработать такое количество данных. Оставим этот существенно масштабный эксперимент для реализации в MetaTrader 5 с помощью языка программирования MQL5. Там это возможно и тоже достаточно просто реализуется. В одной из будущих статей обязательно вернёмся к этому вопросу, пошагово рассмотрев разработку подобной схемы на языке MQL5, а сейчас проведём более грубый и быстро реализуемый вариант в программе NeuroShell DayTrader.

Итак. Попробуем построить торговую стратегию без нейронных сетей, чётко поставив условия для торговли. В качестве правил для входа и выхода будем использовать линию регрессии, а именно индикатор Linear Time Regression: Predicted Value (LinTimeReg PredValue).

Основные возможности NeuroShell Trader Release 6.0 и Power User

Содержание.

1. Версии.
2. Графики (чарты).
3. Индикаторы.
4. Торговые стратегии.
5. Нейронные сети.
6. Оптимизация.
7. Backtesting.
8. Многопоточные вычисления.
9. Создание портфеля.
10. FOREX.
11. Сканирование.
12. Шаблоны.
13. Спаренная торговля.
14. Добавление Интерфейсов Data Feed и Brokerage.
15. Периоды и бары.
16. Оповещения (Alerts).
17. Построение Моделей для торговли в определенные часы.
18. Версии NeuroShell Trader Power User.
19. Множественные периоды времени (Мультитаймфрейм).
20. Калибровка Позиции (Управление капиталом).
21. Методы Pyramiding и Scaling.
22. Тестирование Walkforward.
23. Многократная Оптимизация Шаблона и Backtesting.
24. Примечания.

1. Версии.

Есть четыре версии NeuroShell Trader:

• - NeuroShell Trader Professional работает с дневными данными.
• - NeuroShell DayTrader Professional работает с внутридневными данными, включая диапазон и бары объема, если это доступно от Вашего поставщика данных.
• - NeuroShell Trader Power User работает с дневными данными и имеет преимущественные особенности (описание выделено зелёным цветом ниже).
• - NeuroShell DayTrader Power User работает с внутридневными данными и имеет преимущественные особенности (описание выделено зелёным цветом ниже).

NeuroShell DayTrader

NeuroShell Trader - Обзор

Содержание.

1. Обзор возможностей.

• 1.1. Данные и индикаторы.
• 1.2. Прогнозы и торговые стратегии.
• 1.3. Оповещения.
• 1.4. Портфель инструментов.
• 1.5. Экспорт данных.
• 1.6. Программные интерфейсы.
• 1.7. Data Pump API.
• 1.8. Data Exchange API.
• 1.9. Активация NeuroShell Trader через Интернет.
• 1.10. Документация.

2. Продукты семейства NeuroShell Trader.

• 2.1. NeuroShell Trader.
• 2.2. NeuroShell Trader Professional.
• 2.3. NeuroShell DayTrader Professional.
• 2.4. Сравнительная таблица.

3. Индикаторы.

• 3.1. Мастер Индикаторов.

4. Прогнозы.

• 4.1. Мастер Прогнозов.
• 4.2. Walk Forward Testing - Проверка со сдвигом.
• 4.3. Тренировка на получение прибыли.
• 4.4. Генетическая оптимизация входов нейросети при прогнозировании.

5. Торговые стратегии.

• 5.1. Мастер Торговых Стратегий.
• 5.2. Оптимизация торговых стратегий с использованием генетических алгоритмов.
• 5.3. Чем генетические алгоритмы отличаются от других алгоритмов оптимизации?

6. Готовые торговые системы.
7. Источники данных.

• 7.1. Исторические данные.
• 7.2. Получение котировок real-time.

1. Обзор возможностей.

NeuroShell Trader - это семейство продуктов, разработанное специально для трейдеров и призванное помочь им в принятии решений при торговле. В нем реализованы технологии искусственного интеллекта, позволяющие прогнозировать финансовые временные ряды, строить и оптимизировать торговые стратегии. NeuroShell Trader изначально разрабатывался как инструмент для нейросетевого анализа биржевых данных, поэтому построение в нем прогнозов и торговых стратегий с помощью нейронных сетей и генетических алгоритмов просто и понятно даже для пользователя, не являющегося профессионалом в этой области. Кроме того, будучи специализированным инструментом для трейдеров, NeuroShell Trader имеет дружественный графический интерфейс, богатые возможности для импорта данных и мощную библиотеку индикаторов.

Книги - Нейронные сети

Здесь представлен список книг, диссертаций и статей из раздела Нейронные сети. 


Искусственные нейронные сети (ИНС) - математические модели, а также их программные или аппаратные реализации, построенные по принципу организации и функционирования биологических нейронных сетей - сетей нервных клеток живого организма.

Это понятие возникло при изучении процессов, протекающих в мозге, и при попытке смоделировать эти процессы. Первой такой попыткой были нейронные сети Маккалока и Питтса. Впоследствии, после разработки алгоритмов обучения, получаемые модели стали использовать в практических целях: в задачах прогнозирования, для распознавания образов, в задачах управления и др.

ИНС представляют собой систему соединённых и взаимодействующих между собой простых процессоров (искусственных нейронов). Такие процессоры обычно довольно просты, особенно в сравнении с процессорами, используемыми в персональных компьютерах. Каждый процессор подобной сети имеет дело только с сигналами, которые он периодически получает, и сигналами, которые он периодически посылает другим процессорам. И тем не менее, будучи соединёнными в достаточно большую сеть с управляемым взаимодействием, такие локально простые процессоры вместе способны выполнять довольно сложные задачи.

С точки зрения машинного обучения, нейронная сеть представляет собой частный случай методов распознавания образов, дискриминантного анализа, методов кластеризации и т. п. С математической точки зрения, обучение нейронных сетей — это многопараметрическая задача нелинейной оптимизации. С точки зрения кибернетики, нейронная сеть используется в задачах адаптивного управления и как алгоритмы для робототехники. С точки зрения развития вычислительной техники и программирования, нейронная сеть — способ решения проблемы эффективного параллелизма. А с точки зрения искусственного интеллекта, ИНС является основой философского течения коннективизма и основным направлением в структурном подходе по изучению возможности построения (моделирования) естественного интеллекта с помощью компьютерных алгоритмов. Нейронные сети не программируются в привычном смысле этого слова, они обучаются.

Возможность обучения — одно из главных преимуществ нейронных сетей перед  традиционными алгоритмами. Технически обучение заключается в нахождении коэффициентов связей между нейронами. В процессе обучения нейронная сеть способна выявлять сложные  зависимости между входными данными и выходными, а также выполнять обобщение. Это значит, что в случае успешного обучения сеть сможет вернуть верный результат на основании данных, которые отсутствовали в обучающей выборке, а также неполных и/или "зашумленных", частично искаженных данных.