Aprendizado de máquina no trading: teoria, prática, negociação e não só - página 1734
Você está perdendo oportunidades de negociação:
- Aplicativos de negociação gratuitos
- 8 000+ sinais para cópia
- Notícias econômicas para análise dos mercados financeiros
Registro
Login
Você concorda com a política do site e com os termos de uso
Se você não tem uma conta, por favor registre-se
Bem, sim, os gatos na foto são diferentes, mas a rede os reconhece e os distingue dos cães de alguma forma ...
Leia algo sobre os princípios de reconhecimento de padrões, redes convolucionais, como funcionam, etc. Suas perguntas são muito imaturas, e quando você as lê você vai entender a estupidez delas.
As suas respostas também não estão maduras. Mais uma vez: o objeto destruído tem diferenças muito grandes em relação ao todo, e portanto a entropia em sua imagem não pode ser superada com o aumento da amostra de treinamento. Esta amostra pode tornar-se infinita ou ser misturada com outras amostras. Isso é óbvio até para mim.
As suas respostas também não são muito maduras. Mais uma vez, o objeto destruído é muito diferente do todo e, portanto, a entropia em sua imagem não pode ser superada com o aumento da amostra de treinamento. Esta amostra pode tornar-se infinita ou ser misturada com outras amostras. Isto é óbvio até para mim.
Óbvio mas não muito visível )) Se queres treinar uma rede para reconhecer uma casa destruída, treina-a em casas destruídas. Não lhe dês uma casa inteira e imagina como representaria uma casa destruída... Óbvio!!!
É a mesma coisa que eu disse desde o início.
mytarmailS:Quem se importa se a casa está quebrada ou não, a rede aprende o que aprende
Óbvio mas não muito visível). Se você quer treinar uma rede para reconhecer uma casa destruída, você a treina em casas destruídas. Você não lhe dá uma casa inteira e se pergunta como representaria uma casa destruída... É óbvio!! Liberte Konow:
Retag Konow:
As tuas respostas também não são muito maduras. Mais uma vez, um objecto destruído é demasiado diferente do todo, pelo que a entropia na sua representação não pode ser superada através do aumento da amostra de treino. Esta amostra pode tornar-se infinita ou ser misturada com outras amostras. Isto é óbvio até para mim.
Na verdade o algoritmo de destruição de paredes de tijolo e sua visualização foi feita há muito tempo, a questão está no conhecimento dos fatores de destruição, se os conhecemos, então a casa é restaurada))))
Óbvio mas não muito visível). Se você quer treinar uma rede para reconhecer uma casa destruída, você a treina em casas destruídas. Você não lhe dá uma casa inteira e se pergunta como representaria uma casa destruída... Óbvio!!!
É a mesma coisa que eu disse desde o início.
mytarmailS:Que diferença faz se a casa está quebrada ou não, a rede aprende o que lhe é ensinado
Usa a tua imaginação por um segundo. Quantas variações de quebra de casa pode haver? Infinito. Isso significa que você pode ensiná-lo a reconhecer um ou mais tipos de casas destruídas, mas não todas elas. Se a forma de destruição é desconhecida de antemão, de que serve treinar a rede e esperar que as casas desmoronadas que ela encontra se enquadrem na amostra de treino? A rede funcionará, portanto, com sucesso aleatório e flutuante e com uma percentagem imprevisível de reconhecimento.
Acho que é necessária uma abordagem diferente.
Na verdade, o algoritmo para destruir uma parede de tijolo e sua visualização foi feito há muito tempo, a questão é conhecer os fatores de destruição, se os conhecemos, então a casa é restaurada))))
A entropia é uma medida do caos que está presente em qualquer objecto colapsado. Restaurar o todo do seu estado caótico é uma luta contra a entropia. Mas, nós temos uma fórmula? Nós temos. Essa fórmula é inteligência. Ele monta uma única imagem a partir das peças, contornando o caos e a desordem. Ele coloca as partes juntas em uma equação e obtém o objeto inteiro como resultado.
Conclusão: A inteligência usa NS no reconhecimento, mas não depende linearmente da amostra de aprendizagem. Por simbiose com a Intellect, a eficiência da NS aumenta em vários aspectos.
Ele monta uma única imagem a partir das peças,
a contornar o caos e a desordem.
Ele coloca as partes juntas numa equação e, como resultado, obtém o sujeito inteiro.
Análise espectral !!!! :)
Análise espectral !!!! :)
Tipo de...))
faça do seu jeito, mas faça OOS
desejo de ver
não funciona) mas foi divertido...
O meu funciona melhor do que o outro.
De qualquer forma, esse método não funciona) mas foi divertido...
A minha funciona melhor, que é
triste )
cada minuto é muito fino pode ser...Só precisas de verificar o método. Tentei lidar com isso sozinho, nunca o farei, pode demorar muito, lembrei-me do R, estava a fazer quatro horas de registo de dados enquanto o procurava, não tenho ninguém para me aconselhar. E o que eu faço a 100% será um monte de erros. E eu tenho que criar um script em R que implemente todo o algoritmo acima e verificá-lo na vida real. Mesmo que o parâmetro mais difícil TC como "GARANTIA" seja 3 em cada 5 já pode ser ganho.
Já saberia como o fazer. E eu teria previsto, no máximo, 1 inflexão e treinado em cada bar.
Eu dividiria esta tarefa em 3 partes: preparação de dados, decomposição em componentes e previsão. Eu sei como fazer os dois primeiros, mas prever é um problema. Eu gostaria de usar NS, mas é um campo aberto, além do mais, não estou envolvido nele desde NS.
Se eu quiser brincar com ele rapidamente, posso usar feiticeiros e fazer previsões usando estes indicadores. Os parâmetros devem ser ajustados no otimizador.
Eu não entendo, estes números Lysaju mostram o que, a relação entre os dois componentes na expansão? Ou seja, há dois componentes na expansão que são deslocados um em relação ao outro? Pecado condicional e cos. Isso é redundante, você poderia substituí-lo por algo com uma fase inicial diferente.