L'apprentissage automatique dans la négociation : théorie, modèles, pratique et algo-trading - page 1838
Vous manquez des opportunités de trading :
- Applications de trading gratuites
- Plus de 8 000 signaux à copier
- Actualités économiques pour explorer les marchés financiers
Inscription
Se connecter
Vous acceptez la politique du site Web et les conditions d'utilisation
Si vous n'avez pas de compte, veuillez vous inscrire
Je reproduis la vidéo ici, au cas où cela intéresserait quelqu'un. Et je suis un local dans ce fil, alors quel est l'intérêt... Peut-être qu'un magicien présent voudra discuter, etc. :-)
https://youtu.be/TlNk3fKkUxo
Intelligence artificielle forte et faible
Je reproduis la vidéo ici, au cas où cela intéresserait quelqu'un. Et je suis un local dans ce fil, alors quel est l'intérêt... Peut-être qu'un magicien présent voudra discuter, etc. :-)
https://youtu.be/TlNk3fKkUxo
Je reproduis la vidéo ici, au cas où cela intéresserait quelqu'un. Et je suis un local dans ce fil, alors quel est l'intérêt... Peut-être qu'un magicien présent voudra discuter, etc. :-)
https://youtu.be/TlNk3fKkUxo
Qu'y a-t-il à redire ?
Juste l'opinion d'un homme moyen qui pense savoir ce que font les géants de l'informatique sur le terrain )))).
Je reproduis la vidéo ici, au cas où cela intéresserait quelqu'un. Et je suis un local dans ce fil, alors quel est l'intérêt... Peut-être qu'un magicien présent voudra discuter, etc. :-)
https://youtu.be/TlNk3fKkUxo
2) Le système avec réapprentissage est tout à fait approprié pour cela. Par exemple, si nous introduisons un nouveau lot de données de réentraînement (contredisant les informations précédemment mémorisées), le coefficient de connexion entre certains neurones est recalculé et devient nul, ce qui pourrait bien être considéré comme un analogue de la rupture de connexion physique dans un neurone réel. Et un autre neurone a recalculé de 0 à une valeur >0 - c'est une analogie avec la création d'une nouvelle connexion.
Il y a un bon article sur le hubra
Comment comprendre qu'un réseau neuronal va résoudre votre problème. Un guide pragmatique
Des questions théoriques ont été soulevées : est-il possible de former NS :
1. comme générateur de séquences aléatoires - analogue de la fonction rand()
2. comme fonction pour convertir un ulong en datetime, c'est-à-dire qu'à l'entrée nous donnons un nombre d'ulong, à la sortie nous obtenons année/mois/jour/heure/minute (avec une précision spécifiée).
.
2) Ok - il suffit de générer des données d'entraînement pour 10000 ans à venir et d'enseigner le modèle. Mais il y a un problème - outre la correction d'un jour tous les 4 ans (années bissextiles), il y a une correction d'un jour tous les 100 ans environ, pour s'adapter à la position astronomique de la planète. La différence de 13 jours avec le calendrier julien est due au fait que pendant un certain temps, ils ne savaient pas que ces corrections étaient nécessaires. En général, il y aura de nombreuses corrections pendant 10000 ans.
Misha a promis un graal et est devenu populiste 😄
1) Prof. Seveliev affirme que ce ne sont pas 100 000 connexions par jour pour chaque neurone qui sont brisées, mais qu'il n'y a qu'environ 100 000 connexions par jour, et qu'en moyenne 3 connexions par jour sont créées et brisées.
2) Le système avec réapprentissage est tout à fait approprié pour cela. Par exemple, si nous introduisons un nouveau lot de données de réentraînement (contredisant les informations précédemment mémorisées), le coefficient de connexion entre certains neurones est recalculé et devient nul, ce qui pourrait bien être considéré comme un analogue de la rupture de connexion physique dans un neurone réel. Et l'autre neurone a recalculé de 0 à une certaine valeur >0 - c'est un analogue de la création d'une nouvelle connexion.
1. Eh bien, je me suis mal exprimé ici. Je parlais en général du nombre de connexions entre les neurones, pas d'un.....
2) Il n'y a pas de déconnexion totale. Il n'y a toujours pas de transmission. Bien qu'une certaine approximation de cet effet soit présente. Bien fait !!!!
comme générateur de séquences aléatoires - analogue de rand()
Si rand() est introduit à l'entrée, il est fort probable que les "cerveaux" ne seront pas suffisants. Je fais tourner lstm sur des données aléatoires depuis un moment et je n'ai rien remarqué de tel. Mais si vous l'apprenez étape par étape - conversion des systèmes numériques, algorithme, alors cela devrait fonctionner.
En général, il est intéressant de vérifier sur un matériel très puissant.
Je reproduis la vidéo ici, au cas où cela intéresserait quelqu'un. Et je suis un local dans ce fil, alors quel est l'intérêt... Peut-être qu'un magicien présent voudra discuter, etc. :-)
https://youtu.be/TlNk3fKkUxo
Ahahahaha )))) COMBATTEZ ! !!