شبکه عصبی چیست؟
شبکه عصبی چیست؟
تعریف شبکه‌ی عصبی
شبکه‌ی عصبی (Neural Network) [1] مجموعه‌ای از الگوریتم ها است که سعی دارد روابط بین مجموعه‌ای از داده‌ها را، از طریق فرآیندی که نحوه‌ی عملکرد مغز انسان را تقلید می‌کند، تشخیص دهد. از این منظر، شبکه‌های عصبی به سیستمی از نورون‌ها (Neurons)، اعم از ارگانیک یا مصنوعی اشاره دارند.
شبکه‌های عصبی می‌توانند با ورودی‌های متغیر سازگار شوند. بنابراین، شبکه بدون نیاز به طراحی مجدد معیارهای خروجی، بهترین نتیجه‌ی ممکن را تولید می‌کند. محبوبیت مفهوم شبکه‌های عصبی که ریشه در هوش مصنوعی [2] دارد، در توسعه سیستم‌های معاملاتی به سرعت در حال افزایش است.
نکات کلیدی
1- شبکه‌های عصبی مجموعه‌ای از الگوریتم‌ها هستند که برای شناسایی روابط بین حجم وسیعی از داده‌ها، عملیات مغز حیوان را تقلید می‌کنند.
2- به این ترتیب، این شبکه‌ها بیشتر به ارتباطات نورون‌ها و سیناپس‌های (Synapses) [3] موجود در مغز شباهت دارند.
3- آن‌ها در انواع مختلفی از نرم‌افزارهای خدمات مالی، از پیش‌بینی و تحقیقات بازار گرفته تا کشف تقلب (Fraud Detection) [4] و ارزیابی ریسک (Risk Assessment) [5]، به‌کار گرفته می‌شوند.
4- شبکه‌های عصبی با لایه‌های فرآیندی متعدد، به عنوان شبکه‌های عمیق (Deep Network)[6] شناخته می‌شوند که در الگوریتم‌های یادگیری عمیق (Deep Learning) [7] مورد استفاده قرار می‌گیرند.
5- میزان موفقیت شبکه‌های عصبی مختلف، در پیش‌بینی بازار سهام متفاوت است.
دوره جامع آموزش معاملات الگوریتمی
برای سودسازی در بازارها با فناوری‌های نوین در خودکارسازی معاملات و یادگیری معاملات الگوریتمی – Algorithmic Trading با زبان برنامه‌نویسی پایتون – Python همین الان کلیک کنید.
درک شبکه‌های عصبی
در دنیای مالی، شبکه‌های عصبی به توسعه فرآیندهایی نظیر پیش‌بینی سری‌های زمانی (Time-Series Forcasting) [8]، معاملات الگوریتمی، طبقه‌بندی اوراق بهادار، مدل‌سازی ریسک اعتباری و ایجاد شاخص‌های اختصاصی (Proprietary Indicators) و مشتقات قیمت کمک می‌کنند.
یک شبکه‌ی عصبی، مشابه شبکه‌ی عصبی مغز انسان کار می‌کند. در یک شبکه‌ی عصبی، نورون یک تابع ریاضی است که اطلاعات را بر اساس یک معماری خاص جمع‌آوری و طبقه‌بندی می‌کند. این شبکه شباهت زیادی به روش‌های آماری از قبیل برازش منحنی (Curve Fitting) [9] و تحلیل رگرسیون (Regression Analysis) [10] دارد.
یک شبکه‌ی عصبی حاوی لایه‌هایی از گره‌های (Nodes) به هم پیوسته است. هر گره، تحت عنوان پرسپترون (Perceptron) [11] شناخته می‌شود و مشابه یک رگرسیون خطی چندگانه (Multiple Linear Regression) [12] هستند. پرسپترون سیگنال تولید شده توسط رگرسیون خطی چندگانه را به یک تابع فعال‌سازی که می‌تواند غیرخطی باشد، به عنوان ورودی می‌رساند.
بیشتر بخوانید: صفر تا صد معاملات الگوریتمی
تاریخچه‌ی شبکه‌های عصبی
اگرچه مفهوم ماشین‌های یکپارچه‌ای که قادرند فکر کنند برای قرن‌ها وجود داشته است اما بیشترین پیشرفت در حوزه‌ی شبکه‌های عصبی در 100 سال گذشته رخ داده است. در سال 1943، وارن مک کالوچ (Warren McCulloch) [13] و والتر پیتز (Walter Pitts) [14] از دانشگاه ایلینویز و دانشگاه شیکاگو “محاسبات منطقی ایده‌های ماندگار در فعالیت عصبی” را منتشر کردند. این تحقیق به تجزیه‌وتحلیل چگونگی تولید الگوهای پیچیده توسط مغز و ساده‌سازی این الگوها در قالب یک ساختار منطقی دودویی (Binary) از طریق اتصالات درست/نادرست، پرداخته است.
فرانک روزنبلات (Frank Rosenblatt) [15] از آزمایشگاه هوانوردی کرنل (Cornell Aeronautical Laboratory) به عنوان توسعه‌دهنده پرسپترون در سال 1958 شناخته می‌شود. تحقیقات روزبلانت مفهوم وزن‌ها (Weights) را به پژوهش مک کالوچ و پیتز اضافه کرد.
او از کار خود برای نشان دادن اینکه چگونه یک کامپیوتر قادر است با استفاده از شبکه عصبی تصاویر را شناسایی و نتیجه‌گیری کند، استفاده کرد.
پس از یک دوره از تحقیقات کم‌رمق و بی‌ثمر (عمدتاً ناشی از کمبود منابع مالی) طی دهه 1970، جان هاپفیلد (John Hopfield) [16] مقاله ی “شبکه هاپفیلد” (Hopfield Net) [17] را در سال 1982 در زمینه شبکه‌های عصبی بازگشتی (Recurrent Neural Network) [18] ارائه کرد.
همچنین، مفهوم پس‌انتشار (Backpropagation) دوباره مطرح شد و بسیاری از محققین شروع به درک پتانسیل این مفهوم در شبکه های عصبی کردند. در همین دوره، پل وربوس (Paul Werbos) [19]، اغلب، به دلیل کمک عمده‌ای که در پایان‌نامه دکترای خود به موضوع مذکور داشت، شناخته شده است.
اخیراً، پروژه‌های ویژه‌تری در موضوع شبکه‌های عصبی با اهداف مستقیم ایجاد می‌شوند. به عنوان مثال، دیپ بلو (Deep Blue) که توسط شرکت IBM توسعه داده شده است، با افزایش توانایی کامپیوترها در انجام محاسبات پیچیده، دنیای شطرنج را فتح کرد. هرچند دیپ بلو عموماً به شکست دادن قهرمان شطرنج جهان شناخته شده است، اما این نوع ماشین‌ها برای کشف داروهای جدید، شناسایی تحلیل روند بازار مالی و انجام محاسبات علمی عظیم نیز مورد استفاده قرار می‌گیرند.
تجزیه‌وتحلیل اخیر از کتابخانه‌ی ملی لوس آلاموس (Los Alamos National Library)، به تحلیل‌گران امکان مقایسه‌ی شبکه‌های عصبی مختلف را می‌دهد. این مقاله به عنوان مقاله‌ای با سهم قابل توجه در توصیف رفتار شبکه‌های عصبی قوی، در نظر گرفته می‌شود.
بیشتر بخوانید: بک تست چیست؟
دوره جامع دوره تحلیل بنیادی
برای یادگیری سنجش ارزش منصفانه سهام، ارزیابی مدیریت، ارزیابی توانایی شرکت در مواجه با رقیبان و تجزیه و تحلیل توان مالی شرکت به منظور تحلیل بنیادی (فاندامنتال) سهام روی لینک زیر کلیک کنید.
پرسپترون چند لایه
در یک پرسپترون چند لایه (Multi-layered Perceptron) [20] یا همان MPL، پرسپترون‌ها در لایه‌های به هم پیوسته مرتب شده‌اند. لایه‌ی ورودی الگوهای ورودی را جمع آوری می‌کند. لایه‌ی خروجی دارای طبقه‌بندی یا سیگنال‌های خروجی است که الگوهای ورودی ممکن است متناظر و منطبق بر آن‌ها باشند. به عنوان مثال، الگوها می‌توانند شامل فهرستی از مقادیر شاخص‌های تکنیکال (Technical Indicators) [21] مربوط به یک ورقه‌ی بهادار باشند. خروجی‌های بالقوه می‌توانند «خرید»، «نگهداری» یا «فروش» باشد.
لایه‌های پنهان، وزن‌های ورودی‌ها را تا زمانی که حاشیه خطای شبکه به حداقل برسد، تعدیل و تنظیم می‌کنند. فرض بر این است که لایه‌های پنهان، آن دسته از ویژگی‌های برجسته در داده‌های ورودی را که قدرت پیش‌بینی در خصوص خروجی‌ها دارند، تخمین می‌زنند.
این امر استخراج خصیصه (Feature Extraction) [22] را توصیف می‌کند که کابردی شبیه تکنیک‌های آماری از قبیل تکنیک تحلیل مؤلفه‌های اصلی (Principal Component Analysis) [23] دارد.
بیشتر بخوانید: معاملات فرکانس بالا چیست؟
انواع شبکه‌های عصبی
شبکه عصبی پیش‌خور (FFN)
شبکه‌های عصبی پیش‌خور (Feed-forward Neural Networks) [24] یکی از ساده‌ترین انواع شبکه های عصبی هستند. این شبکه‌ها اطلاعات را از طریق گره‌های ورودی در یک جهت منتقل می‌کنند. پردازش این اطلاعات تا زمانی که به حالت خروجی دربیاید، در همین جهت ادامه می‌یابد. شبکه‌های عصبی پیش‌خور ممکن است لایه‌های پنهانی برای عملکرد داشته باشند. این نوع از شبکه‌ها، اغلب برای فناوری‌های تشخیص چهره استفاده می‌شوند.
شبکه‌های عصبی بازگشتی (RRN)
شبکه‌های عصبی بازگشتی (Recurrent Neural Networks)، به عنوان یک نوع پیچیده‌تر از شبکه‌های عصبی، خروجی یک گره پردازشی [25] را دریافت کرده و این اطلاعات را به شبکه منتقل می‌کنند. این امر منجر به یادگیری نظری و بهبود شبکه می‌شود. هر گره فرآیندهای تاریخی را ذخیره می‌کند و این فرآیندهای تاریخی، در زمان پردازش در آینده، مورد استفاده مجدد قرار می‌گیرند.
این امر به ویژه برای شبکه‌هایی که پیش‌بینی در آن‌ها نادرست است، حائز اهمیت می‌باشد. سیستم تلاش خواهد کرد تا دریابد که چرا نتیجه صحیح رخ داده است و خود را مطابق آن تنظیم کند. این نوع از شبکه عصبی، اغلب در برنامه‌های تبدیل متن به گفتار استفاده می‌شود.
شبکه‌های عصبی پیچشی
شبکه‌های عصبی پیچشی (Convolutional Neural Networks) [26]، که تحت عنوان ConvNet یا CNN نیز نامیده می‌شوند، دارای چندین لایه هستند که در آن‌ها داده‌ها به طبقاتی دسته‌بندی می‌شوند. این شبکه‌ها دارای یک لایه‌ی ورودی، یک لایه‌ی خروجی و تعداد زیادی لایه‌های پنهان پیچشی در بین آن‌ها می‌باشند.
لایه‌ها، نگاشت‌های ویژگی (Feature Maps)[27] ایجاد می‌کنند. این نگاشت‌ها بخش‌هایی از یک تصویر را ثبت می‌کنند که این بخش‌ها تا زمانی که خروجی‌های ارزشمند تولید کنند، به بخش‌های کوچک‌تر و کوچک‌تر تقسیم می‌شوند. این لایه‌ها می‌توانند ترکیب شده یا کاملاً به هم متصل باشند. این شبکه‌ها، به خصوص در برنامه‌های تشخیص تصویر کاربردی هستند.
شبکه‌های عصبی واپیچشی
به بیان ساده، شبکه‌های عصبی واپیچشی یا دکانولوشنی (Deconvolutional Neural Networks) [28]، برعکس شبکه‌های عصبی پیچشی عمل می‌کنند. کاربرد این شبکه، شناسایی مواردی است که ممکن بود از سوی یک شبکه عصبی پیچشی، مهم تشخیص داده شوند و احتمالاً در طول فرآیند اجرای شبکه عصبی پیچشی کنار گذاشته می‌شدند. این نوع از شبکه‌های عصبی، همچنین به طور گسترده برای تجزیه‌وتحلیل یا پردازش تصویر مورد استفاده قرار می‌گیرند.
شبکه‌های عصبی ماژولار
شبکه‌های عصبی ماژولار (Modular Neural Networks) [29] شامل چندین شبکه هستند که مستقل از یکدیگر کار می‌کنند. این شبکه‌ها در طول یک فرآیند پردازش، با یکدیگر تعامل ندارند. در عوض، انجام فرآیندها این امکان را فراهم می‌کند که پردازش‌های پیچیده و مبسوط کامپیوتری به طور کارآمدتری صورت پذیرد.
مشابه دیگر صنایع ماژولار مانند املاک و مستغلات ماژولار، هدف استقلال شبکه این است که هر ماژول، مسئول بخش خاصی از تصویر بزرگتر کلی باشد.
بیشتر بخوانید: الگوریتم چیست؟
کاربردهای شبکه‌های عصبی
شبکه‌های عصبی با کاربردهایی در عملیات مالی، برنامه‌ریزی سازمانی، معاملات، تجزیه‌وتحلیل‌های تجاری و نگهداری محصول، به طور گسترده مورد استفاده قرار می‌گیرند. همچنین، شبکه‌های عصبی در کاربردهای مرتبط با کسب‌وکارها نظیر راهکارهای تحقیقات بازار و پیش‌بینی، تشخیص تقلب (Fraud Detection) و ارزیابی ریسک به کار گرفته شدند.
یک شبکه‌ی عصبی، داده‌های قیمت را ارزیابی کرده و فرصت‌هایی را برای تصمیم‌های معاملاتی بر اساس داده های تحلیلی، نمایان می‌سازد. شبکه‌ها قادرند اتکاء متقابل جزئی غیرخطی و الگوهایی را تشخیص دهند که دیگر روش‌های تحلیل تکنیکال از تشخیص آن‌ها عاجزند. بر اساس تحقیقات، دقت شبکه‌های عصبی در پیش‌بینی‌های قیمت سهام متفاوت است.
برخی از مدل‌ها، در 50 تا 60 درصد مواقع، قیمت سهام را درست پیش‌بینی می‌کنند، در حالی که برخی دیگر در 70 درصد موارد، دقیق هستند. برخی معتقدند که تنها یک بهبود 10 درصدی در کارآیی، همه‌ی آن چیزی است که یک سرمایه‌گذار از شبکه‌ی عصبی، انتظار دارد.
شبکه‌های عصبی مخصوص مالی، می‌توانند صدها هزار بیت داده از تراکنش‌ها را پردازش کنند. این کار می‌تواند به درک بهتر حجم معاملات، دامنه معاملاتی، همبستگی بین دارایی‌ها یا تعیین انتظارات نوسان در برخی از ها، کمک کند. از آنجایی که ممکن است یک انسان نتواند به طور کارآمد، سابقه‌ی زیادی از داده‌ها را مطالعه و بررسی کند، می‌توان شبکه‌های عصبی را برای شناسایی روندها، تجزیه‌و تحلیل نتایج و پیش‌بینی نوسانات آتی ارزش طبقه دارایی، طراحی کرد.
همواره مجموعه‌ای از داده‌ها و طبقات وظیفه‌ای وجود خواهند داشت که با استفاده از الگوریتم‌های توسعه یافته‌ی قبلی، بهتر تحلیل می‌شوند. این الگوریتم نیست که بسیار با اهمیت است، بلکه این داده‌های ورودی به خوبی آماده شده برای شاخص هدف است که تعیین‌کننده‌ی سطح موفقیت یک شبکه‌ی عصبی می‌باشد.
بیشتر بخوانید: مدیریت ریسک مالی چیست؟
مزایا و معایب شبکه‌های عصبی
مزایای شبکه‌های عصبی
شبکه‌های عصبی قادرند که به طور پیوسته کار کنند و کارآمدتر از انسان یا ساده‌تر از مدل‌های تحلیلی باشند. همچنین، می‌توان شبکه‌های عصبی را به گونه‌ای برنامه‌نویسی کرد تا با یادگیری از خروجی‌های گذشته، نتایج آتی را بر اساس تشابه با ورودی‌های قبلی، تعیین کنند.
همچنین، شبکه‌های عصبی که از خدمات آنلاین ابری استفاده می‌کنند، در مقایسه با سیستم‌هایی که به سخت‌افزار فناوری محلی متکی‌اند، از مزیت کاهش ریسک برخوردار هستند. علاوه بر این، شبکه‌های عصبی اغلب قادرند چندین کار را به طور همزمان انجام دهند (یا حداقل، وظایفی را که باید توسط شبکه‌های ماژولار انجام شوند، به طور همزمان توزیع کنند).
در نهایت، شبکه‌های عصبی به طور مداوم در حال توسعه برای کاربردهای جدید هستند. در حالی که شبکه‌های عصبی نظری اولیه از نظر کابردی بودن در زمینه‌های مختلف، بسیار محدود بودند، امروزه، شبکه‌های عصبی در حوزه‌های پزشکی، علم، مالی، کشاورزی یا امنیت مورد استفاده قرار می‌گیرند.
معایب شبکه‌های عصبی
با وجود اینکه ممکن است شبکه‌های عصبی به پلتفرم‌های آنلاین متکی باشند، اما همچنان یک جزء سخت‌افزاری برای ایجاد آن‌ها مورد نیاز است. این یک خطر فیزیکی برای شبکه‌ای است که به سیستم‌های پیچیده، الزامات راه‌اندازی و نگهداری بالقوه‌ی فیزیکی متکی است.
اگرچه پیچیدگی شبکه‌های عصبی یک نقطه قوت است، اما ممکن است به این معنی باشد که توسعه یک الگوریتم برای کاری خاص، ماه‌ها (در کمترین حالت) طول بکشد. علاوه‌براین، ممکن است تشخیص هرگونه خطا یا نقص در فرآیند، به خصوص اگر نتایج به صورت تخمینی یا دامنه‌های نظری باشند، دشوار باشد.
همچنین، ممکن است ممیزی شبکه‌های عصبی دشوار باشد. برخی از شبکه‌های عصبی که در آن ورودی‌ها وارد می‌شوند، شبکه فرآیندهای پیچیده ای را انجام می‌دهد و خروجی گزارش می‌شود، شبیه به یک “جعبه سیاه” به نظر می‌آیند. علاوه‌براین، ممکن است در صورت فقدان شفافیت کلی در مورد نحوه یادگیری یک مدل از فعالیت‌های قبلی، تحلیل نقاط ضعف موجود در فرآیند محاسبات یا یادگیری شبکه، برای افراد دشوار باشد.
مزایا
1- شبکه عصبی اغلب می‌تواند کارآمدتر و با تداوم بیشتر از انسان کار کند.
2- می‌تواند طوری برنامه‌نویسی شود که از نتایج قبلی یاد بگیرد تا بکوشد در محاسبات آتی هوشمندانه‌تر عمل کند.
3- اغلب از خدمات آنلاین که ریسک سیستماتیک را کاهش می‌دهد (اما حذف نمی‌کند)، استفاده می‌کند.
4- به طور پیوسته، در حال توسعه در زمینه‌های جدید با مسائل دشوارتر می‌باشند.
معایب
1- همچنان به سخت‌افزاری که ممکن است نیازمند نیروی کار و تخصص برای نگهداری باشد، تکیه دارد.
2- ممکن است توسعه کد و الگوریتم آن زمان زیای طول بکشد.
3- اگر سیستم خودآموز ولی فاقد شفافیت باشد، ممکن است ارزیابی خطاهای آن یا تطابق با مفروضات دشوار باشد.
4- معمولاً یک محدوده یا میزان تخمینی را گزارش می‌کند که ممکن است که در عمل محقق نشوند.
برخی از نکات مهم شبکه‌های عصبی
اجزای یک شبکه‌ی عصبی کدامند؟
در شبکه عصبی سه جزء اصلی وجود دارد: یک لایه‌ی ورودی، یک لایه‌ی پردازش و یک لایه‌ی خروجی. ورودی‌ها ممکن است بر اساس معیارهای مختلف وزن‌دهی شوند. در لایه‌ی پردازش، که از دید پنهان است، گره‌ها و اتصالاتی بین گره‌ها وجود دارند که شبیه به نورون‌ها و سیناپس‌های موجود در مغز حیوان است.
شبکه عصبی عمیق چیست؟
یک شبکه‌ی عصبی عمیق (Deep Neural Network)، که تحت عنوان شبکه‌ی یادگیری عمیق (Deep Neural Network) نیز شناخته می‌شود، در ابتدایی‌ترین حالت خود، شبکه‌ای است که شامل دو یا چند لایه پردازشی می‌باشد.
شبکه‌های عصبی عمیق به شبکه‌های یادگیری عمیقی تکیه دارند که به طور پیوسته در حال یادگیری از طریق مقایسه‌ی نتایج برآورد شده با نتایج واقعی و سپس تعدیل پیش‌بینی‌های آتی هستند.
سه جزء اصلی یک شبکه‌ی عصبی کدامند؟
تمامی شبکه‌های عصبی دارای سه جزء اصلی هستند. اول، ورودی که همان داده‌هایی هستند که برای تحلیل وارد شبکه‌ی عصبی می‌شود. دوم، لایه‌ی پردازش که از داده‌ها (و دانش قبلی از مجموعه داده های مشابه) برای فرموله کردن یک نتیجه‌ی مورد انتظار، استفاده می‌کند. در نهایت نتیجه که جزء سوم است که همان محصول نهایی مطلوب از تجزیه‌وتحلیل می‌باشد.
سخن پایانی
شبکه‌های عصبی، سیستم‌های پیچیده و یکپارچه‌ای هستند که قادرند تجزیه‌وتحلیل‌ها را عمیق‌تر و سریع‌تر از توانایی انسان انجام دهند. انواع مختلفی از شبکه‌های عصبی که اغلب برای مقاصد و خروجی‌های هدف متفاوت مناسب هستند، وجود دارند.
در حوزه مالی، شبکه‌های عصبی برای تجزیه‌وتحلیل تاریخچه‌ی معاملات، درک نوسانات دارایی و پیش‌بینی نتایج بازارهای مالی، مورد استفاده قرار می‌گیرند.
سوالات متداول درباره شبکه عصبی
یک شبکه‌ی عصبی (Neural Network) مجموعه‌ای از الگوریتم‌ها است که سعی دارد روابط بین مجموعه‌ای از داده‌ها را، از طریق فرآیندی که نحوه‌ی عملکرد مغز انسان را تقلید می‌کند، تشخیص دهد. از این منظر، شبکه‌های عصبی به سیستمی از نورون‌ها (Neurons)، اعم از ارگانیک یا مصنوعی اشاره دارند.
در دنیای مالی، شبکه‌های عصبی به توسعه فرآیندهایی نظیر پیش‌بینی سری‌های زمانی (Time-Series Forcasting)، معاملات الگوریتمی، طبقه‌بندی اوراق بهادار، مدل‌سازی ریسک اعتباری و ایجاد شاخص‌های اختصاصی (Proprietary Indicators) و مشتقات قیمت کمک می‌کنند.
اگرچه مفهوم ماشین‌های یکپارچه‌ای که قادرند فکر کنند برای قرن‌ها وجود داشته است اما بیشترین پیشرفت در حوزه‌ی شبکه‌های عصبی در 100 سال گذشته رخ داده است. در سال 1943، وارن مک کالوچ (Warren McCulloch) و والتر پیتز (Walter Pitts) از دانشگاه ایلینویز و دانشگاه شیکاگو “محاسبات منطقی ایده‌های ماندگار در فعالیت عصبی” را منتشر کردند. این تحقیق به تجزیه‌وتحلیل چگونگی تولید الگوهای پیچیده توسط مغز و ساده‌سازی این الگوها در قالب یک ساختار منطقی دودویی (Binary) از طریق اتصالات درست/نادرست، پرداخته است.
در یک پرسپترون چند لایه (Multi-layered Perceptron) یا همان MPL، پرسپترون‌ها در لایه‌های به هم پیوسته مرتب شده‌اند. لایه‌ی ورودی الگوهای ورودی را جمع آوری می‌کند. لایه‌ی خروجی دارای طبقه‌بندی یا سیگنال‌های خروجی است که الگوهای ورودی ممکن است متناظر و منطبق بر آن‌ها باشند. به عنوان مثال، الگوها می‌توانند شامل فهرستی از مقادیر شاخص‌های تکنیکال (Technical Indicators) مربوط به یک ورقه‌ی بهادار باشند. خروجی‌های بالقوه می‌توانند «خرید»، «نگهداری» یا «فروش» باشد.
1- شبکه عصبی پیش‌خور
2- شبکه‌های عصبی بازگشتی
3- شبکه‌های عصبی پیچشی
4- شبکه‌های عصبی واپیچشی
5- شبکه‌های عصبی ماژولار
شبکه‌های عصبی با کاربردهایی در عملیات مالی، برنامه‌ریزی سازمانی، معاملات، تجزیه‌وتحلیل‌های تجاری و نگهداری محصول، به طور گسترده مورد استفاده قرار می‌گیرند. همچنین، شبکه‌های عصبی در کاربردهای مرتبط با کسب‌وکارها نظیر راهکارهای تحقیقات بازار و پیش‌بینی، تشخیص تقلب (Fraud Detection) و ارزیابی ریسک به کار گرفته شدند.
بیشتر بخوانید: صفر تا صد آموزش بورس (رایگان)
[1] Neural Network (Amazon AWS)
[2] Artificial Intelligence (Wikipedia)
[5] Risk Assessment (Ready.gov)
[6] Deep Neural Networks (Tutorialspoint)
[7] Deep Learning (Amazon AWS)
[8] Time-Series Forcasting (Tableau)
[10] Regression Analysis (TIBCO Software)
[12] Multiple Linear Regression (Investopedia)
[13] Warren Sturgis McCulloch (Wikipedia)
[15] Frank Rosenblatt (Wikipedia)
[16] John Hopfield (Wikipedia)
[17] Hopfield Network (Wikipedia)
[18] Recurrent Neural Network (Wikipedia)
[20] Multilayer Perceptron (Wikipedia)
[21] Technical Indicator (Investopedia)
[22] Feature Extraction (Wikipedia)
[23] Principal Component Analysis (Wikipedia)
[24] Feedforward Neural Network (Wikipedia)
[26] Convolutional Neural Network (Wikipedia)
بیشتر بخوانید: وارن بافت کیست؟
برای تحلیل بنیادی فارکس – Forex Fundamental Analysis نیازمند توانایی تحلیل شاخص‌های اقتصادی و درک سیاست‌گذاری پولی هستید، با کلیک روی دکمه زیر از 10% تخفیف بیشتر برای ثبت نام استفاده کنید.
دیدگاهتان را بنویسید