Ну вот, обрадовали) А у меня уж тут планы.. Кредит на яхту взял 

Ну так сеть можно доучивать по мере поступления данных.
А скорость обучение можно повысить задействовав GPU. У меня это дало ускорение в десятки раз по сравнению с вычислением на i8. А есть специализированные процессоры...

И в биржевых торгах, наверное, сеть натаскивают на определенный набор фигур, им не нужно на непрерывный поток тренировать. Еще раз наверное.

Но согласен, здесь задача очень частная просто..

Он умеет искать глобальный минимум функции многих переменных, причём, если он его нащупал, то он экспоненциально быстро к нему сходится.. И ещё он может "выкорабкиваться" из локальных минимумов.. И ещё он хорошо параллелится 
Другой вопрос, можно ли проблему классификации связать к проблеме минимизации.. Это мне вот так, с наскока, не очевидно..

Спасибо за ссылку, почитал. У меня сложилось несколько скептическое, и я бы даже сказал, неоднозначное чувство к корректности их оценки, поэтому от комментариев воздержусь, а выскажу свои соображения.

Я заметил, что есть две, на мой взгляд, наиболее важные закономерности в этой истории, а именно: можно выделить два масштаба корреляций - первый, это мелкомасштабный, сильно зашумлённый, практически не отличимый от белого шума. И амплитуда такого шума мала (по сравнению с общим трендом). Второе - это то, что практически в большинстве случаев, на больших масштабах можно выделить линейный тренд: либо ниспадающий, либо наоборот, ну или, почти, никакой   А мы знаем, что производная от линейной функции - это константа. А это означает, что если избавиться от мелких флуктуаций, например, разблурив кривую, и взять от неё производную  , то график становится более наглядным и удобным для дальнейшего анализа) Т.е. он после этой операции будет колебаться вокруг некоторого среднего (которое соответствует наклону тренда), флуктуируя с амплитудой, порядка среднеквадратичного отклонения (точнее корню от неё). Самое интересное, как распределенны пики (минимумы и максимумы) такой кривой. Сразу скажу, что, на основе опыта прошедших дней, могу сказать, что нейросети легко распознают исходный тренд (т.е. его наклон)). Так вот, гораздо конструктивнее (на мой взгляд) анализировать и натравливать нейросеть на производную сглаженной функции) А саму исходную функцию легко восстановить, простым интегрированием)

Если что, можно замутить совместное исследоание по реальным данным по этому вопросу) Взломаем, так сказать, систему)  Мне это интересно, чисто, с академической точки зрения)

Если бы всё было так просто, как на тех картинках (и не только), все давно бы уже на яхтах плавали .

Я ж и поддерживаю . В тех магических техниках не хватает слова "вероятно". Причём подозреваю, вероятность будет колебаться в районе 0.5, как и в любой другой точке графика .

А сколько в вашей задаче класифицирующих параметров? Просто есть проблема (не тривиальная), когда один класс может относится к нескольким группамм.. И вот здесь возникает проблема разбития множества на группы с условием, чтоб минимизировать дисперсию наблюдаемой величины.. Т.е. вы подаёте на вход N размерный вектор параметров, а на выходе ожидаете M мерный вектор результатов..  У каждого результата есть своё мат. ожидание и дисперсия. Проблема сводится к тому, чтоб оптимально разделить всё множество на группы, и чтоб суммарная дисперсия была минимальна..  На сколько я знаю, эта задача ещё доконца не решена..

Пример: У вас есть множество еденичных векторов в D-мерном пространстве.. D>>1. Нужно оптимально, по определённому критерию, выделить N групп, включающих в себя все исчерпывающие классы таких векторов.. Сколько таких групп в среднем будет? Можно ли это как то аналитически вывести?

Я не знаю) Но есть идеи, как это можно с помощью computer science реализовать)