곧 복소수(준비), 속도 벡터 및 행렬에 대한 기본 지원을 출시할 예정입니다. 이것은 라이브러리가 아니라 언어의 기본 기능입니다 .
다음으로 대규모 ML 메커니즘을 포함하고 TensorFlow와 유사한 기능을 제공합니다. 이를 통해 완전히 다른 수준에서 기본 로봇을 작성할 수 있습니다.
이것은 흥미롭지 만 범주형 예측자를 지원하고 트리를 구축하기 위한 다양한 옵션과 다중 분류를 지원하는 동일한 CatBoost 모델의 인터프리터가 필요합니다. 나는 우리가 현대적인 업적을 사용하기 위한 기능이 필요하다는 사실에서 진행합니다. 그리고 나서야 그것을 재생성, 개선, 재작업하는 기능이 필요합니다.
클러스터링, 분류, 변환, 차원 압축, 변환, 예측자 선택의 내장된 다양한 방법은 거래에 유용하게 조정할 수 있습니다.
이것은 흥미롭지만 범주형 예측자를 지원하고 트리를 구축하기 위한 다양한 옵션과 다중 분류를 지원하는 동일한 CatBoost 모델의 인터프리터가 필요합니다. 나는 우리가 현대적인 업적을 사용하기 위한 기능이 필요하고 그 다음에야 그것들의 레크리에이션, 개선, 처리를 위한 기능이 필요하다는 사실에서 진행합니다.
클러스터링, 분류, 변환, 차원 압축, 변환, 예측자 선택의 내장된 다양한 방법은 거래에 유용하게 조정할 수 있습니다.
모든 것이 단계적입니다.
우리는 Python(단순 유형의 기본 배열조차 없는 경우)을 포함하여 일반 언어에서 사용할 수 없는 작업(복잡한, 알파 버전의 벡터 및 행렬)을 이미 수행했습니다.
실제로 TensorFlow 내부의 필터와 엔진은 지나치게 복잡하지 않습니다. 원래 프로젝트에 포함된 모든 것 및 모든 것과의 호환성을 넘어 부담 없이 창의적으로 MQL5로 전송할 수 있습니다.
Рассмотрены функции для работы с основными статистическими распределениями, реализованными в языке R. Это распределения Коши, Вейбулла, нормальное, логнормальное, логистическое, экспоненциальное, равномерное, гамма-распределение, центральное и нецентральные распределения Бета, хи-квадрат, F-распределения Фишера, t-распределения Стьюдента, а также дискретные биномиальное и отрицательное биномиальные распределения, геометрическое, гипергеометрическое и распределение Пуассона. Есть функции расчета теоретических моментов распределений, которые позволяют оценить степень соответствия реального распределения модельному.
우리는 이미 MQL5에서 기계 학습의 도입을 향해 나아가고 있다고 말했습니다.
곧 복소수(준비), 속도 벡터 및 행렬에 대한 기본 지원을 출시할 예정입니다. 이것은 라이브러리가 아니라 언어의 기본 기능입니다 .
다음으로 대규모 ML 메커니즘을 포함하고 TensorFlow와 유사한 기능을 제공합니다. 이를 통해 완전히 다른 수준에서 기본 로봇을 작성할 수 있습니다.
이것은 흥미롭지 만 범주형 예측자를 지원하고 트리를 구축하기 위한 다양한 옵션과 다중 분류를 지원하는 동일한 CatBoost 모델의 인터프리터가 필요합니다. 나는 우리가 현대적인 업적을 사용하기 위한 기능이 필요하다는 사실에서 진행합니다. 그리고 나서야 그것을 재생성, 개선, 재작업하는 기능이 필요합니다.
클러스터링, 분류, 변환, 차원 압축, 변환, 예측자 선택의 내장된 다양한 방법은 거래에 유용하게 조정할 수 있습니다.
이것은 흥미롭지만 범주형 예측자를 지원하고 트리를 구축하기 위한 다양한 옵션과 다중 분류를 지원하는 동일한 CatBoost 모델의 인터프리터가 필요합니다. 나는 우리가 현대적인 업적을 사용하기 위한 기능이 필요하고 그 다음에야 그것들의 레크리에이션, 개선, 처리를 위한 기능이 필요하다는 사실에서 진행합니다.
클러스터링, 분류, 변환, 차원 압축, 변환, 예측자 선택의 내장된 다양한 방법은 거래에 유용하게 조정할 수 있습니다.
모든 것이 단계적입니다.
우리는 Python(단순 유형의 기본 배열조차 없는 경우)을 포함하여 일반 언어에서 사용할 수 없는 작업(복잡한, 알파 버전의 벡터 및 행렬)을 이미 수행했습니다.
실제로 TensorFlow 내부의 필터와 엔진은 지나치게 복잡하지 않습니다. 원래 프로젝트에 포함된 모든 것 및 모든 것과의 호환성을 넘어 부담 없이 창의적으로 MQL5로 전송할 수 있습니다.
한때 우리 는 R에서 MQL5 소스로 약 500개의 기능을 이전하고 도입했습니다. 또한 MQL5에서 기능은 3배에서 50배까지 더 빠릅니다.
우리는 이미 MQL5에서 기계 학습의 도입을 향해 나아가고 있다고 말했습니다.
곧 복소수(준비), 속도 벡터 및 행렬에 대한 기본 지원을 출시할 예정입니다. 이것은 라이브러리가 아니라 언어의 기본 기능입니다 .
다음으로 대규모 ML 메커니즘을 포함하고 TensorFlow와 유사한 기능을 제공합니다. 이를 통해 완전히 다른 수준에서 기본 로봇을 작성할 수 있습니다.
WinML이나 DirectML 또는 자체 솔루션을 사용하시겠습니까?
ONNX가 지원되나요?
우리는 이미 MQL5에서 기계 학습의 도입을 향해 나아가고 있다고 말했습니다.
곧 복소수(준비), 속도 벡터 및 행렬에 대한 기본 지원을 출시할 예정입니다. 이것은 라이브러리가 아니라 언어의 기본 기능입니다 .
다음으로 대규모 ML 메커니즘을 포함하고 TensorFlow와 유사한 기능을 제공합니다. 이를 통해 완전히 다른 수준에서 기본 로봇을 작성할 수 있습니다.
레나트 파트훌린 :
곧 복소수(준비), 속도 벡터 및 행렬에 대한 기본 지원을 출시할 예정입니다.
matlab 및 numpy(숫자 곱셈, 요소별 곱셈, 슬라이스)에서와 같이 순환 없이 배열로 작업할 수 있는 기능이 정말 필요합니다.
matlab 및 numpy(숫자 곱셈, 요소별 곱셈, 슬라이스)에서와 같이 순환 없이 배열로 작업할 수 있는 기능이 정말 필요합니다.
이미 언어 수준에 있습니다.
WinML이나 DirectML 또는 자체 솔루션을 사용하시겠습니까?
ONNX가 지원되나요?
첫째, 새로운 데이터 유형과 이에 대한 작업을 언어로 직접 지원합니다.
OpenCL/멀티스레딩을 통한 작업 속도 향상은 개발자에게 숨겨지고 투명해집니다.
우리는 나중에 WinML/ONNX에 대해 생각할 것입니다.
우리 는 행렬 및 ML 작업 에 OpenCL을 자동으로 투명하게 적용할 계획입니다.
사실, 엄청나게 구성 가능한 CUDA와 tensorflow 라이브러리를 많이 사용하지 않고 최대한 활용할 것입니다.
그리고 벡터의 경우 OpenCL에 의해 자동으로 적용되지 않습니까?
즉, 여러 벡터로 작업하는 경우 행렬을 사용하는 것이 더 합리적입니까?
아니면 OpenCL에서도 벡터가 지원됩니까?
추가되었습니다.
CPU 또는 GPU 하드웨어 리소스도 사용 가능한 항목에서 자동으로 선택됩니까?
아니면 사용할 리소스를 결정할 수 있습니까?
그리고 벡터의 경우 OpenCL에 의해 자동으로 적용되지 않습니까?
즉, 여러 벡터로 작업하는 경우 행렬을 사용하는 것이 더 합리적입니까?
아니면 OpenCL에서도 벡터가 지원됩니까?
추가되었습니다.
CPU 또는 GPU 하드웨어 리소스도 사용 가능한 항목에서 자동으로 선택됩니까?
아니면 사용할 리소스를 결정할 수 있습니까?
단일 벡터의 경우 고가의 OpenCL을 사용하는 것은 의미가 없습니다.
효과를 찾으면 거기에 적용합니다. OpenCL은 그 자체로 끝이 아닙니다.
먼저 OpenCL이 없는 매트릭스 작업의 베타 버전을 기다리십시오. 기본 기능을 디버그하면서 가속으로 넘어갑시다.
모든 것은 스트레스 테스트와 벤치마크로 다룰 것입니다.