Abbiamo già detto che ci stiamo muovendo verso l'implementazione del machine learning in MQL5.
Presto rilasceremo il supporto nativo per i numeri complessi (pronto), vettori di velocità e matrici. Questa è esattamente la funzionalità nativa del linguaggio, non le librerie.
Poi includeremo una vasta serie di meccaniche ML e daremo funzionalità simili a TensorFlow. Questo ci permetterà di scrivere un livello completamente diverso di robot nativi.
Questo è interessante, ma abbiamo bisogno di interpreti di modelli dello stesso CatBoost con supporto per predittori categorici e diverse varianti di costruzione di alberi, più con multiclassificazione. Procedo da questo che ho bisogno di funzionalità per utilizzare le conquiste moderne, e poi funzionalità per ricrearle, migliorarle, riciclarle.
Costruito in diversi metodi di clustering, classificazione, conversione, compressione della dimensionalità, trasformazione, selezione di predittori può essere utile, adattato al commercio.
Questo è interessante, ma abbiamo bisogno di interpreti di modelli CatBoost con supporto per predittori categorici e diverse varianti di alberi, più la multiclassificazione. Presumo che abbiamo bisogno di funzionalità per utilizzare le conquiste moderne, e poi di funzionalità per ricrearle, migliorarle, riciclarle.
Costruito in diversi metodi di clustering, classificazione, conversione, compressione delle dimensioni, trasformazione, selezione di predittori - può essere utile con l'indennità di trading.
Tutto passo dopo passo.
Abbiamo già fatto cose (complessi, vettori e matrici nelle versioni alfa) che i linguaggi convenzionali, incluso Python (che non ha nemmeno matrici native di tipi semplici) non hanno.
In realtà, i filtri e i motori di TensorFlow non sono super complessi. Possono essere portati in modo creativo a MQL5 senza il peso della compatibilità con tutto ciò che è inerente al progetto iniziale.
Nel nostro tempo abbiamo trasferito e presentato in codice sorgente MQL5 circa 500 funzioni da R. E in MQL5 è da 3 a 50 volte più veloce.
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.
Abbiamo già detto che ci stiamo muovendo verso l'implementazione del machine learning in MQL5.
Presto rilasceremo il supporto nativo per i numeri complessi (pronto), vettori di velocità e matrici. Questa è esattamente la funzionalità nativa del linguaggio, non le librerie.
Poi includeremo un ampio set di meccanica ML e daremo funzionalità simili a TensorFlow. Questo vi permetterà di scrivere un livello completamente diverso di robot nativi.
Avete intenzione di usare WinML o DirectML o qualche vostra soluzione?
Abbiamo già detto che ci stiamo muovendo verso l'implementazione del machine learning in MQL5.
Presto rilasceremo il supporto nativo per i numeri complessi (pronto), vettori di velocità e matrici. Questa è esattamente la funzionalità nativa del linguaggio, non le librerie.
Poi includeremo una vasta serie di meccaniche ML e daremo funzionalità simili a TensorFlow. Questo permetterà di scrivere robot nativi su un livello assolutamente altro.
Renat, questo è davvero interessante. Spero in una documentazione completa sulla direzione sviluppata. Grazie!
Presto rilasceremo il supporto nativo per i numeri complessi (pronto), i vettori di velocità e le matrici.
La capacità di lavorare con gli array senza loop, come in matlab e numpy (moltiplicazione per numero, moltiplicazione elemento per elemento, slice) è molto necessaria.
La capacità di lavorare con gli array senza loop, come in matlab e numpy (moltiplicazione per numero, moltiplicazione elemento per elemento, slice) è molto necessaria.
Abbiamo intenzione di applicareautomaticamente e in modo trasparente OpenCL alleoperazioni dimatrice e ML.
In effetti, stiamo andando a spremere il massimo senza usare tonnellate di librerie CUDA e tensorflow mostruosamente configurabili.
OpenCL non sarà automaticamente applicato ai vettori? Cioè, se lavoriamo con diversi vettori, sarebbe più ragionevole usare una matrice? O i vettori saranno supportati anche in OpenCL?
Aggiunto. La risorsa hardware della CPU o della GPU sarà selezionata automaticamente tra quelle disponibili? O sarà possibile decidere quale risorsa utilizzare?
OpenCL non si applica automaticamente ai vettori? Cioè, se lavoriamo con diversi vettori, sarebbe più razionale usare una matrice? O i vettori saranno supportati anche in OpenCL?
Aggiunto. La risorsa hardware su CPU o GPU sarà selezionata automaticamente tra quelle disponibili? O sarà possibile determinare quale risorsa utilizzare?
Non ha molto senso usare OpenCL ad alto costo per singoli vettori.
Dove troviamo un effetto, lo applicheremo. OpenCL non è un fine in sé.
Aspettate le versioni beta delle operazioni di matrice senza OpenCL all'inizio. Una volta che la funzionalità di base è stata debuggata, passeremo alla velocizzazione.
Tutto sarà sicuramente coperto da stress-test e benchmark.
Consenti l'uso dei cookie per accedere al sito MQL5.com.
Abilita le impostazioni necessarie nel browser, altrimenti non sarà possibile accedere.
Hai effettuato l'accesso. L'autenticazione a due fattori è stata disattivata. Configurala di nuovo e scansiona un nuovo codice QR, oppure continua con l'autenticazione a due fattori disattivata.
Abbiamo già detto che ci stiamo muovendo verso l'implementazione del machine learning in MQL5.
Presto rilasceremo il supporto nativo per i numeri complessi (pronto), vettori di velocità e matrici. Questa è esattamente la funzionalità nativa del linguaggio, non le librerie.
Poi includeremo una vasta serie di meccaniche ML e daremo funzionalità simili a TensorFlow. Questo ci permetterà di scrivere un livello completamente diverso di robot nativi.
Questo è interessante, ma abbiamo bisogno di interpreti di modelli dello stesso CatBoost con supporto per predittori categorici e diverse varianti di costruzione di alberi, più con multiclassificazione. Procedo da questo che ho bisogno di funzionalità per utilizzare le conquiste moderne, e poi funzionalità per ricrearle, migliorarle, riciclarle.
Costruito in diversi metodi di clustering, classificazione, conversione, compressione della dimensionalità, trasformazione, selezione di predittori può essere utile, adattato al commercio.
Questo è interessante, ma abbiamo bisogno di interpreti di modelli CatBoost con supporto per predittori categorici e diverse varianti di alberi, più la multiclassificazione. Presumo che abbiamo bisogno di funzionalità per utilizzare le conquiste moderne, e poi di funzionalità per ricrearle, migliorarle, riciclarle.
Costruito in diversi metodi di clustering, classificazione, conversione, compressione delle dimensioni, trasformazione, selezione di predittori - può essere utile con l'indennità di trading.
Tutto passo dopo passo.
Abbiamo già fatto cose (complessi, vettori e matrici nelle versioni alfa) che i linguaggi convenzionali, incluso Python (che non ha nemmeno matrici native di tipi semplici) non hanno.
In realtà, i filtri e i motori di TensorFlow non sono super complessi. Possono essere portati in modo creativo a MQL5 senza il peso della compatibilità con tutto ciò che è inerente al progetto iniziale.
Nel nostro tempo abbiamo trasferito e presentato in codice sorgente MQL5 circa 500 funzioni da R. E in MQL5 è da 3 a 50 volte più veloce.
Abbiamo già detto che ci stiamo muovendo verso l'implementazione del machine learning in MQL5.
Presto rilasceremo il supporto nativo per i numeri complessi (pronto), vettori di velocità e matrici. Questa è esattamente la funzionalità nativa del linguaggio, non le librerie.
Poi includeremo un ampio set di meccanica ML e daremo funzionalità simili a TensorFlow. Questo vi permetterà di scrivere un livello completamente diverso di robot nativi.
Avete intenzione di usare WinML o DirectML o qualche vostra soluzione?
Ci sarà supporto per ONNX?
Abbiamo già detto che ci stiamo muovendo verso l'implementazione del machine learning in MQL5.
Presto rilasceremo il supporto nativo per i numeri complessi (pronto), vettori di velocità e matrici. Questa è esattamente la funzionalità nativa del linguaggio, non le librerie.
Poi includeremo una vasta serie di meccaniche ML e daremo funzionalità simili a TensorFlow. Questo permetterà di scrivere robot nativi su un livello assolutamente altro.
Renat Fatkhullin:
Presto rilasceremo il supporto nativo per i numeri complessi (pronto), i vettori di velocità e le matrici.
La capacità di lavorare con gli array senza loop, come in matlab e numpy (moltiplicazione per numero, moltiplicazione elemento per elemento, slice) è molto necessaria.
La capacità di lavorare con gli array senza loop, come in matlab e numpy (moltiplicazione per numero, moltiplicazione elemento per elemento, slice) è molto necessaria.
Questo è già disponibile a livello di lingua.
Userete WinML o DirectML, o qualche soluzione vostra?
Ci sarà il supporto ONNX?
In primo luogo, stiamo facendo un supporto nativo per nuovi tipi di dati e operazioni su di essi direttamente nel linguaggio.
L'accelerazione delle operazioni tramite OpenCL/multithreading sarà nascosta e trasparente per gli sviluppatori.
WinML/ONNX sarà considerato in seguito.
Abbiamo intenzione di applicare automaticamente e in modo trasparente OpenCL alle operazioni di matrice e ML.
In effetti, stiamo andando a spremere il massimo senza usare tonnellate di librerie CUDA e tensorflow mostruosamente configurabili.
OpenCL non sarà automaticamente applicato ai vettori?
Cioè, se lavoriamo con diversi vettori, sarebbe più ragionevole usare una matrice?
O i vettori saranno supportati anche in OpenCL?
Aggiunto.
La risorsa hardware della CPU o della GPU sarà selezionata automaticamente tra quelle disponibili?
O sarà possibile decidere quale risorsa utilizzare?
OpenCL non si applica automaticamente ai vettori?
Cioè, se lavoriamo con diversi vettori, sarebbe più razionale usare una matrice?
O i vettori saranno supportati anche in OpenCL?
Aggiunto.
La risorsa hardware su CPU o GPU sarà selezionata automaticamente tra quelle disponibili?
O sarà possibile determinare quale risorsa utilizzare?
Non ha molto senso usare OpenCL ad alto costo per singoli vettori.
Dove troviamo un effetto, lo applicheremo. OpenCL non è un fine in sé.
Aspettate le versioni beta delle operazioni di matrice senza OpenCL all'inizio. Una volta che la funzionalità di base è stata debuggata, passeremo alla velocizzazione.
Tutto sarà sicuramente coperto da stress-test e benchmark.