알렉세이 테렌테프 : 신경망의 고급 아키텍처에 관심이 있다면 매우 흥미로운 아이디어가 떠오릅니다. 물론 더 자세히 설명하기는 어렵습니다. 딥 러닝을 위한 프레임워크에 대한 경험과 실제로 벡터 수학에 대한 이해가 필요합니다. 그러나 그것은 그만한 가치가있다. 마켓에 관해서는 아직 보여드릴 게 별로 없어요, 마켓은 **괜찮아요. 시간이 많이 필요해요. 우리의 불화로 오세요. 그곳은 조용하고 아늑합니다) 깊은 네트워크를 준비하는 방법에 서명하고 예제와 함께 보여줄 것입니다.
알렉세이 테렌테프 : 신경망의 고급 아키텍처에 관심이 있다면 매우 흥미로운 아이디어가 떠오릅니다. 물론 더 자세히 설명하기는 어렵습니다. 딥 러닝을 위한 프레임워크에 대한 경험과 실제로 벡터 수학에 대한 이해가 필요합니다. 그러나 그것은 그만한 가치가있다. 마켓에 관해서는 아직 보여드릴 게 별로 없어요, 마켓은 **괜찮아요. 시간이 많이 필요해요. 우리의 불화로 오세요. 그곳은 조용하고 아늑합니다) 깊은 네트워크를 준비하는 방법에 서명하고 예제와 함께 보여줄 것입니다.
7000개의 예측자와 30GB의 데이터가 있는 500개의 트리로 구성된 랜덤 포레스트를 만들었습니다. Amazon은 16개의 CPU가 있는 두 대의 서버에서 15시간 동안 작업했습니다.
그리고 랜덤 포레스트에서 7000개의 예측 변수의 의미는 무엇입니까? 그것은 여전히 다시 배웁니다. 30~40개 정도의 예측자를 가져와서 숲을 훈련시켰습니다. 그런 다음 모두가 개별적으로 운전하고 이 방법을 사용하여 왼쪽 4개의 예측 변수를 선택했습니다.
4개의 예측 변수에 대해 훈련된 숲은 30-40보다 약간 더 나은 것으로 나타났지만 그다지 많지는 않습니다. 시세, 특히 외환은 더 무작위적인 데이터 유형 을 가지며 음수와 관련하여 원하는 클래스에 + 5%(정확하게 55% 예측) 정도의 어딘가에서 압축되는 것으로 나타났습니다.
물론, 어떤 식으로든 가격대에서 구성 요소를 선택하는 것이 가능하여 클래스를 더 잘 구분할 수 있지만 지금까지는 성공하지 못했습니다.
즉, 예측 변수를 생성할 필요가 없는 이유는 I입니다. 제 생각에는 이것은 거의 의미가 없으며 숲만이 더 빨리 재훈련됩니다.
저는 텔레파시가 아니라 프로그래머입니다. 질문이있을 것입니다-나는 대답을 줄 것입니다 ...
답: 42 :D
프로그래머로서 대답할 준비가 되었다면 여기에 작은 질문이 있습니다. 프로그래머의 작업과 동시에 당신이 주장하는 기술 점검입니다.
첨부된 파일에는 Expert Advisor를 위한 EURUSD H1 신호 템플릿이 포함되어 있으므로 구성 알고리즘을 결정해야 합니다.
원하는 경우 전문가 고문의 형태로 솔루션을 게시하고 예측기 무차별 대입의 힘과 기계 학습 라이브러리가 작동하는 모습을 보여줄 수 있습니다.
참여를 원하는 모든 머신 러닝 학습자는 제안된 문제 또는 MO를 통해 템플릿 형태로 제시된 다른 문제를 해결할 준비가 되어 있다고 제안합니다.
아마도 이 piskomerstvo 모드에서 우리는 최소한 몇 가지 일반적인 접근 방식과 형식을 개발할 수 있을 것입니다.))
템플릿을 저장하기 전에 모든 지표를 삭제해야 했습니다. 물론 name=main 표시기 때문이 아니라 데이터가 표시되지 않을 수도 있습니다.
전략이 수익성이 있다는 보장은 어디에 있습니까? 어쩌면 이것은 운이 좋은 역사의 한 조각일지도...
내 라이브러리에 대한 질문이 없기 때문에 아무도 내 라이브러리를 읽지 않은 것 같습니다. 모든 사람들은 성배를 찾는 방법을 이해하지 못한 채 성배 를 갖고 싶어합니다.
템플릿을 저장하기 전에 모든 지표를 삭제해야 했습니다. 물론 name=main 표시기 때문이 아니라 데이터가 표시되지 않을 수도 있습니다.
전략이 수익성이 있다는 보장은 어디에 있습니까? 어쩌면 이것은 운이 좋은 역사의 한 조각일지도...
내 라이브러리에 대한 질문이 없기 때문에 아무도 내 라이브러리를 읽지 않은 것 같습니다. 누구나 성배를 찾는 방법을 이해하지 못한 채 성배를 갖고 싶어합니다.
기본 항목은 모든 템플릿에 있으며 간섭하지 않으며 데이터에는 화살표, 파란색 - 구매, 빨간색 - 판매와 같은 그래픽 개체만 있습니다.
EURUSD H1 차트를 열고 파일(메뉴 - Charts\Template\Load Template...)을 로드하고 개체 목록 컨텍스트 메뉴에서 확인합니다.
그리고 아무도 당신에게 성배를 요구하지 않고 문제를 해결하고 실제로 당신의 말과 라이브러리의 효율성을 확인하십시오.
신경망의 고급 아키텍처에 관심이 있다면 매우 흥미로운 아이디어가 떠오릅니다. 물론 더 자세히 설명하기는 어렵습니다. 딥 러닝을 위한 프레임워크에 대한 경험과 실제로 벡터 수학에 대한 이해가 필요합니다.
그러나 그것은 그만한 가치가있다.
마켓에 관해서는 아직 보여드릴 게 별로 없어요, 마켓은 **괜찮아요. 시간이 많이 필요해요.
우리의 불화로 오세요. 그곳은 조용하고 아늑합니다) 깊은 네트워크를 준비하는 방법에 서명하고 예제와 함께 보여줄 것입니다.
그를 필요로하지 않습니다, 그는 모두 두뇌 프로입니다 ... t
신경망의 고급 아키텍처에 관심이 있다면 매우 흥미로운 아이디어가 떠오릅니다. 물론 더 자세히 설명하기는 어렵습니다. 딥 러닝을 위한 프레임워크에 대한 경험과 실제로 벡터 수학에 대한 이해가 필요합니다.
그러나 그것은 그만한 가치가있다.
마켓에 관해서는 아직 보여드릴 게 별로 없어요, 마켓은 **괜찮아요. 시간이 많이 필요해요.
우리의 불화로 오세요. 그곳은 조용하고 아늑합니다) 깊은 네트워크를 준비하는 방법에 서명하고 예제와 함께 보여줄 것입니다.
나는 포럼에서 의사 소통하고 종파를 지원하지 않습니다
)
저는 텔레파시가 아니라 프로그래머입니다. 질문이있을 것입니다-나는 대답을 줄 것입니다 ...
답: 42 :D
나는 무엇이 무엇과 어떤 속도로 연결되는지가 아니라 왜 작동해야 하는지에 대한 개념에 관심이 있습니다.
접근 방식에 대한 이론적 설명, 나는 이것을 코드에서 깨닫지 못했지만 Java를 넣고 이것에 대한 스파크 등을 이해하기 위해 - 너무 재미있습니다.
저것들. MO를 보는 방법과 MO를 사용하는 방법, 말하자면 이해의 깊이
43이라고 대답하면 더 이상 묻지 않을 것입니다 :)
MQL5에 있는 내 라이브러리의 일부는 Apache Spark와 직접 관련이 없습니다. Spark에서 사용할 데이터를 변환 하는 별도의 Java 모듈 이 있습니다. 그리고 이 모듈 은 Python으로 이식되어야 합니다.
Apache Spark - 분산형 빅 데이터 처리 시스템 + Random Forests용 모듈. 1000개의 서버에서 데이터를 처리할 수 있습니다(Facebook은 이러한 임계값에 도달했습니다).
빅 데이터 - 파일 처리가 RAM에 맞지 않을 때.
주어진: 5GB에서 2년 동안 800개의 예측자.
작업: 저렴한 Amazon 서버 여러 대를 사용하여 1-2시간 안에 250그루의 나무를 만듭니다.
솔루션: AWS EMR + Apache Spark.
Spark를 사용하지 않고 이 문제에 대한 해결책이 있습니까?
Apache Spark를 사용하면 RAM 부족을 잊어버릴 수 있습니다.
7000개의 예측자와 30GB의 데이터가 있는 500개의 트리로 구성된 랜덤 포레스트 를 만들었습니다. Amazon은 16개의 CPU가 있는 두 대의 서버에서 15시간 동안 작업했습니다.
Apache Spark를 사용하면 RAM 부족을 잊어버릴 수 있습니다.
7000개의 예측자와 30GB의 데이터가 있는 500개의 트리로 구성된 랜덤 포레스트를 만들었습니다. Amazon은 16개의 CPU가 있는 두 대의 서버에서 15시간 동안 작업했습니다.
그리고 랜덤 포레스트에서 7000개의 예측 변수의 의미는 무엇입니까? 그것은 여전히 다시 배웁니다. 30~40개 정도의 예측자를 가져와서 숲을 훈련시켰습니다. 그런 다음 모두가 개별적으로 운전하고 이 방법을 사용하여 왼쪽 4개의 예측 변수를 선택했습니다.
4개의 예측 변수에 대해 훈련된 숲은 30-40보다 약간 더 나은 것으로 나타났지만 그다지 많지는 않습니다. 시세, 특히 외환은 더 무작위적인 데이터 유형 을 가지며 음수와 관련하여 원하는 클래스에 + 5%(정확하게 55% 예측) 정도의 어딘가에서 압축되는 것으로 나타났습니다.
물론, 어떤 식으로든 가격대에서 구성 요소를 선택하는 것이 가능하여 클래스를 더 잘 구분할 수 있지만 지금까지는 성공하지 못했습니다.
즉, 예측 변수를 생성할 필요가 없는 이유는 I입니다. 제 생각에는 이것은 거의 의미가 없으며 숲만이 더 빨리 재훈련됩니다.
Apache Spark를 사용하면 RAM 부족을 잊어버릴 수 있습니다.
7000개의 예측자와 30GB의 데이터가 있는 500개의 트리로 구성된 랜덤 포레스트를 만들었습니다. Amazon은 16개의 CPU가 있는 두 대의 서버에서 15시간 동안 작업했습니다.
상상할 수 없는 것을 밀어내고 아무 의미 없이 예측 변수를 곱하기로 결정
어디서 그렇게 많은 예측 변수를 얻었습니까? 그들의 수입은 무엇입니까? 그곳에서 숲의 1/3은 훈련 세트에 포함되지 않았고 95%는 수입이 적습니다. 그리고 예측 1개당 3시간의 예측 변수가 있는 시스템은 이제 어떤 반응을 보일까요? )