![MQL5 - Linguagem para estratégias de negociação inseridas no terminal do cliente MetaTrader 5](https://c.mql5.com/i/registerlandings/logo-2.png)
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
Aula 4. Pesquisa: Profundidade Primeiro, Escalada de Encosta, Viga
4. Pesquisa: primeiro em profundidade, escalada em encosta, viga
Neste vídeo do YouTube, Patrick Winston discute diferentes algoritmos de pesquisa, incluindo buscas em profundidade, subida de colina, viga e melhor primeiro. Usando um mapa como exemplo, ele demonstra as vantagens e limitações de cada algoritmo e como a compreensão de diferentes métodos de pesquisa pode melhorar as habilidades de resolução de problemas. Winston também discute a aplicação de algoritmos de busca em sistemas inteligentes, usando o sistema Genesis para responder perguntas sobre a história de Macbeth. Ele também apresenta o conceito de vitória de Pirro e como os programas de busca podem descobrir tais situações examinando gráficos e relatando suas descobertas em inglês. No geral, o vídeo fornece uma visão abrangente dos algoritmos de pesquisa e seu uso prático em cenários do mundo real.
Aula 5. Pesquisa: Optimal, Branch and Bound, A*
5. Pesquisa: Optimal, Branch and Bound, A*
O vídeo discute vários algoritmos de busca para encontrar o caminho mais curto entre dois lugares, com foco no exemplo da Rota 66 entre Chicago e Los Angeles. O vídeo apresenta o conceito de distância heurística e fornece exemplos de diferentes algoritmos de pesquisa, como subida de colina, pesquisa de feixe e ramificação e limite. O palestrante enfatiza a importância do uso de heurísticas admissíveis e consistentes no algoritmo A* para otimizar a busca. Além disso, o vídeo observa a eficácia do uso de uma lista estendida e distâncias aéreas para determinar limites inferiores no caminho mais curto. Por fim, o vídeo termina com a promessa de discutir mais refinamentos do algoritmo A* na próxima palestra.
Aula 6. Pesquisa: Jogos, Minimax e Alpha-Beta
6. Pesquisa: Jogos, Minimax e Alpha-Beta
O vídeo discute a história do jogo em AI, começando com a famosa citação de Dreyfus de que os computadores não podem jogar xadrez. Os palestrantes explicam como as regras if-then não são eficazes em programas de jogo, e uma análise e estratégia mais profundas são necessárias. Eles introduzem o algoritmo minimax e o conceito de poda alfa-beta para otimizar a eficiência da pesquisa do jogo. O vídeo também explora técnicas como a minimização do custo das apólices de seguro e o aprofundamento progressivo. O palestrante conclui que, embora a inteligência do bulldozer seja importante, não é necessariamente o mesmo tipo de inteligência que os humanos têm em suas próprias cabeças.
Aula 7. Restrições: Interpretando Desenhos de Linha
7. Restrições: Interpretação de Desenhos de Linha
O vídeo discute o desenvolvimento de um problema de satisfação de restrições para interpretar desenhos de linha, que começou com a tentativa de criar um computador que pudesse ver objetos simples. O trabalho do experimentalista Guzman foi analisado, levando à abordagem de David Huffman de trabalhar em um mundo matemático simples com restrições que lhe permitiram desenvolver uma teoria melhor do que o programa de Guzman. O vídeo explora o vocabulário usado para catalogar e categorizar linhas e junções em desenhos, a possibilidade de ter cinco octantes preenchidos com coisas e o uso de restrições para testar objetos quanto à construtibilidade. O vídeo também discute o desafio de usar rótulos para interpretar desenhos de linhas, o algoritmo de Waltz e o processo de lidar com vértices de bifurcação na análise de desenhos. As restrições desenvolvidas neste projeto têm aplicações na resolução de problemas com muitas restrições, como coloração de mapas e escalonamento.
oposto simétrico da perspectiva azul. O palestrante examina ainda mais os vértices que podem criar junções estilo garfo e estilo L, bem como obscurecer objetos que podem criar formas em T com a linha restante como limite. Por fim, o palestrante menciona que vértices com seis faces também podem ser criados quando objetos se juntam em um ponto.
Aula 8. Restrições: Busca, Redução de Domínio
8. Restrições: Pesquisa, Redução de Domínio
Este vídeo discute o conceito de restrições na resolução de problemas, especificamente no contexto de busca e redução de domínio. O palestrante usa o exemplo de atribuir cores aos estados em um mapa para ilustrar como as restrições podem ser usadas para restringir as possibilidades antes mesmo de iniciar a pesquisa. O palestrante também explora diferentes abordagens para lidar com restrições, como apenas verificar atribuições ou considerar tudo, e apresenta o conceito de planejamento de recursos como outra aplicação de solução de problemas baseada em restrições. No geral, o vídeo fornece uma visão abrangente de como as restrições podem ser usadas para resolver problemas complexos com eficiência.
Aula 9. Restrições: Reconhecimento Visual de Objetos
9. Restrições: Reconhecimento Visual de Objetos
Neste vídeo, Patrick Winston discute os desafios de reconhecer objetos visuais, incluindo as ideias de David Marr de formar uma descrição baseada em arestas de objetos, normais de superfície e cilindros generalizados. O palestrante também se aprofunda em diferentes métodos de reconhecimento visual de objetos, incluindo a teoria do alinhamento e o uso de algoritmos de correlação para calcular a localização de recursos de tamanho intermediário. Winston destaca os desafios de reconhecer objetos naturais que não têm dimensões idênticas e a importância do contexto e da narrativa no reconhecimento visual, usando o exemplo de um gato bebendo. Ao longo do vídeo, ele fornece demonstrações e exemplos para explicar vários conceitos. No geral, o palestrante enfatiza as dificuldades de reconhecimento visual e incentiva os alunos a continuarem as pesquisas na área.
Aula 10. Introdução ao aprendizado, vizinhos mais próximos
10. Introdução ao aprendizado, vizinhos mais próximos
Neste vídeo do YouTube, o professor Winston apresenta o tópico de aprendizado e discute dois tipos de aprendizado: aprendizado baseado em regularidade e aprendizado baseado em feedback. Ele se concentra em técnicas de aprendizado baseadas em regularidade, como aprendizado do vizinho mais próximo, redes neurais e reforço. O aprendizado do vizinho mais próximo envolve um detector de características, gerando um vetor de valores, que é então comparado a vetores de uma biblioteca de possibilidades para encontrar a correspondência mais próxima e determinar o que é um objeto. O orador dá vários exemplos de como este método pode ser aplicado. Ele ainda discute como os limites de decisão podem ser usados para identificar a categoria de um objeto. O princípio da semelhança entre casos diferentes é introduzido e a importância do gerenciamento do sono é enfatizada, pois afeta muito o aprendizado. Finalmente, ele aborda o problema da não uniformidade, o problema "o que importa" e a importância de normalizar os dados usando técnicas estatísticas.
Aula 11. Aprendizagem: Árvores de Identificação, Desordem
11. Aprendizagem: Árvores de Identificação, Desordem
O professor do MIT, Patrick Winston, explica o conceito de construir um mecanismo de reconhecimento para identificar vampiros usando dados e a importância de criar uma árvore de identificação pequena e econômica que satisfaça a Navalha de Occam. Ele propõe o uso de mecanismos heurísticos para a construção da árvore, pois o cálculo de todas as árvores possíveis é um problema NP. Winston sugere o uso de um teste de sombra, teste de alho, teste de tez e teste de sotaque para identificar quais indivíduos são vampiros e explica como medir a desordem em conjuntos para encontrar a qualidade geral de um teste com base na medição da desordem. O vídeo também discute como as árvores de identificação podem ser usadas com dados numéricos, e a árvore pode ser convertida em um conjunto de regras para criar um mecanismo simples com base no comportamento baseado em regras.
Aula 12a: Redes Neurais
12a: Redes Neurais
Este vídeo aborda uma variedade de tópicos relacionados a redes neurais. O palestrante começa discutindo a história das redes neurais, destacando o trabalho fundamental feito por Geoff Hinton que transformou o campo. A anatomia de um neurônio é então discutida, bem como a maneira pela qual as entradas são coletadas e processadas. O vídeo então investiga como as redes neurais funcionam como aproximadores de função e como o desempenho pode ser melhorado usando subida de colina e descida de gradiente. A regra da cadeia é introduzida para facilitar o cálculo de derivadas parciais, e o palestrante demonstra como a rede neural mais simples do mundo pode ser treinada usando essa abordagem. A constante de taxa ideal para uma rede neural também é discutida, e o palestrante apresenta uma rede neural mais complexa com duas entradas e saídas. Por fim, o princípio da reutilização é introduzido para resolver o problema de potencial explosão exponencial de caminhos através de grandes redes. No geral, o vídeo enfatiza que grandes ideias em redes neurais são geralmente simples e fáceis de ignorar, embora possam ter um impacto significativo no campo.
Aula 12b: Redes Neurais Profundas
12b: Redes Neurais Profundas
Este vídeo aborda vários tópicos relacionados a redes neurais profundas, incluindo o processo de cálculo envolvido, redes neurais convolucionais, algoritmos de autocodificação, ajuste de parâmetros na camada de saída, softmax e retropropagação com redes convolucionais. O vídeo também explora conceitos como máximos locais, redes ampliadas e aprendizado de redes neurais, enquanto demonstra como as redes neurais profundas funcionam no processamento de imagens. No geral, o vídeo fornece uma visão abrangente dos principais conceitos envolvidos em redes neurais profundas, incluindo seus pontos fortes e limitações.