Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 1734
Está perdiendo oportunidades comerciales:
- Aplicaciones de trading gratuitas
- 8 000+ señales para copiar
- Noticias económicas para analizar los mercados financieros
Registro
Entrada
Usted acepta la política del sitio web y las condiciones de uso
Si no tiene cuenta de usuario, regístrese
Pues sí, los gatos de la foto son diferentes, pero la red los reconoce y los distingue de los perros de alguna manera...
Lee algo sobre los principios del reconocimiento de patrones, las redes convolucionales, cómo funcionan, etc. Tus preguntas son muy inmaduras, y cuando las leas entenderás su estupidez.
Sus respuestas tampoco son maduras. Una vez más: el objeto destruido tiene diferencias demasiado grandes con respecto al conjunto y, por tanto, la entropía de su imagen no puede superarse aumentando la muestra de entrenamiento. Esta muestra podría volverse infinita o mezclarse con otras muestras. Eso es obvio incluso para mí.
Sus respuestas tampoco son muy maduras. Una vez más, el objeto destruido es demasiado diferente del conjunto y, por tanto, la entropía de su imagen no puede superarse aumentando la muestra de entrenamiento. Esta muestra podría volverse infinita o mezclarse con otras muestras. Esto es obvio incluso para mí.
Obvio pero poco visible )) Si quieres entrenar una red para que reconozca una casa destruida, entrénala con casas destruidas, no le des una casa entera y te preguntes cómo representaría una casa destruida... ¡Obvio!
Es lo mismo que dije desde el principio.
mytarmailS:Qué importa si la casa está rota o no, la red aprende lo que aprende
Obvio pero poco visible). Si quieres entrenar una red para que reconozca una casa destruida, la entrenas con casas destruidas. No le das una casa entera y te preguntas cómo representaría una casa destruida... ¡Es obvio! Libera a Konow:
Retag Konow:
Tus respuestas tampoco son muy maduras. Una vez más, un objeto destruido es demasiado diferente del conjunto, por lo que la entropía en su representación no puede superarse aumentando la muestra de entrenamiento. Esta muestra podría volverse infinita o mezclarse con otras muestras. Esto es obvio incluso para mí.
En realidad el algoritmo de destrucción de paredes de ladrillo y su visualización se ha hecho hace mucho tiempo, la cuestión está en el conocimiento de los factores de destrucción, si los conocemos, entonces la casa se restaura))))
Obvio pero poco visible). Si quieres entrenar una red para que reconozca una casa destruida, la entrenas con casas destruidas, no le das una casa entera y te preguntas cómo representaría una casa destruida... ¡Obvio!
Es lo mismo que dije desde el principio.
mytarmailS:Qué más da si la casa está rota o no, la red aprende lo que se le enseña
Usa tu imaginación por un segundo. ¿Cuántas variantes de robo de casa puede haber? Infinito. Eso significa que puede enseñarle a reconocer uno o varios tipos de hogares rotos, pero no todos. Si la forma de destrucción se desconoce de antemano, ¿qué sentido tiene entrenar la red y esperar que las casas derrumbadas que encuentre encajen en la muestra de entrenamiento? Por tanto, la red funcionará con un éxito aleatorio y fluctuante y un porcentaje de reconocimiento imprevisible.
Creo que es necesario un enfoque diferente.
En realidad, el algoritmo para destruir una pared de ladrillos y su visualización se hizo hace mucho tiempo, la cuestión es conocer los factores de destrucción, si los conocemos, entonces la casa se restaura))))
La entropía es una medida del caos presente en cualquier objeto colapsado. Restaurar el conjunto desde su estado caótico es una lucha contra la entropía. Pero, ¿tenemos una fórmula? Lo hacemos. Esa fórmula es la inteligencia. Ensambla una sola imagen a partir de las partes, obviando el caos y el desorden. Junta las partes en una ecuación y obtiene como resultado el objeto completo.
Conclusión: La inteligencia utiliza la NS en el reconocimiento, pero no depende linealmente de la muestra de aprendizaje. Mediante la simbiosis con el Intelecto, la eficacia de la NS se multiplica.
Ensambla una sola imagen a partir de las piezas,
evitando el caos y el desorden.
Junta las partes en una ecuación y obtiene como resultado el tema completo.
Análisis espectral !!! :)
Análisis espectral !!! :)
Más o menos...)
hazlo a tu manera, pero hazlo OOS
quieren ver
no funciona) pero fue divertido...
el mío funciona mejor que el otro.
En fin, ese método no funciona) pero fue divertido...
el mío funciona mejor, que es
triste )
¿aumento del retardo?, cada minuto es demasiado delgado puede serSólo tienes que comprobar el método. He tratado de manejarlo yo mismo, nunca lo haré, puede llevar demasiado tiempo, he recordado a R, estuve haciendo cuatro horas de registro de datos mientras lo buscaba, no tengo a nadie que me aconseje. Y lo que hago al 100% serán muchos errores. Y tengo que crear un script en R que implemente todo el algoritmo anterior y comprobarlo en la vida real. Incluso si el parámetro más difícil TC como "GARANTÍA" será 3 de 5 ya se puede ganar.
Ya habría sabido cómo hacerlo. Y predeciría un máximo de 1 inflexión y volvería a entrenar en cada barra.
Yo dividiría esta tarea en 3 partes: preparación de los datos, desglose en componentes y previsión. Sé cómo hacer las dos primeras, pero la previsión es un problema. Me gustaría utilizar NS, pero es un campo abierto, además, no me he dedicado a ello desde NS.
Si quiero jugar con él rápidamente, puedo utilizar los asistentes y hacer predicciones utilizando estos indicadores. Los parámetros deben ajustarse en el optimizador.
No entiendo, estas cifras de Lysaju muestran qué, ¿la relación entre los dos componentes en la expansión? Es decir, ¿hay dos componentes en la expansión que están desplazados uno respecto al otro? Sin y cos condicional. Eso es redundante, podrías sustituirlo por algo con una fase inicial diferente.