Разговор с ChatGPT об улучшении нейронной сети и торговле на Форекс - страница 6
Вы упускаете торговые возможности:
- Бесплатные приложения для трейдинга
- 8 000+ сигналов для копирования
- Экономические новости для анализа финансовых рынков
Регистрация
Вход
Вы принимаете политику сайта и условия использования
Если у вас нет учетной записи, зарегистрируйтесь
Вот засада!! Опять та же ботва!! Правильное обучение в основном уходит в минус. Неправильное - в плюс?!
Я добавил день недели и день года в выборку. Я вижу, что все таки лучше, чем раньше.
Есть одно отличие - в неправильном обучении я воткнул 15 лет, в правильном - 10 лет.
Удивляешь своей настойчивостью. Пошел второй миллион?)
Что бы хоть что то понять, надо понять, что пипл загоняет в программу на обучение. Без этого путь в никуда.
И ни кто не даст умного совета.
Спасибо, Владимир, за актуальный вопрос, который не осмеливаются тут задать знатоки.
Если подходить издалека.
На чём основан ИИ?
На образах. Точнее на точных образах: текстах, фото-видео-материалах, готовых (подчеркиваю) картах и т.пр.
НО, образы людей с "тремя пальцами" как то напрягают не окрепшие умы фанатов ИИ.
Что я могу подсказать? Верить или не верить в форму из трех пальцев ИИ для некоторых верующих в ИИ пиплов на рынках?
Извините за английскую лексику. Владимир.
Чисто для знатоков английской лексики
- robot: The concept you are referring to is known as the "Dunning-Kruger effect," which suggests that people with limited knowledge or expertise in a particular subject may overestimate their abilities, while those with more knowledge may underestimate their competence. In other words, when someone knows just enough to be aware of the complexity and nuances of a subject, they may feel less certain about their understanding compared to someone with limited knowledge who may feel overly confident.
Therefore, it is important to maintain a humble and open-minded approach to learning and acknowledge that there is always more to discover and understand, regardless of the depth of our knowledge. Striving for continuous learning and improvement is key to developing expertise and making informed decisions.
- user: Do you think you know everything?
- robot: As an AI assistant, I have been designed to provide assistance and information to the best of my abilities. While I have access to a wide range of knowledge, I do not claim to know everything. There may be topics or questions for which I may not have the information or response. Feel free to ask, and I will do my best to help!
Чисто для знатоков английской лексики
- robot: The concept you are referring to is known as the "Dunning-Kruger effect," which suggests that people with limited knowledge or expertise in a particular subject may overestimate their abilities, while those with more knowledge may underestimate their competence. In other words, when someone knows just enough to be aware of the complexity and nuances of a subject, they may feel less certain about their understanding compared to someone with limited knowledge who may feel overly confident.
Therefore, it is important to maintain a humble and open-minded approach to learning and acknowledge that there is always more to discover and understand, regardless of the depth of our knowledge. Striving for continuous learning and improvement is key to developing expertise and making informed decisions.
- user: Do you think you know everything?
- robot: As an AI assistant, I have been designed to provide assistance and information to the best of my abilities. While I have access to a wide range of knowledge, I do not claim to know everything. There may be topics or questions for which I may not have the information or response. Feel free to ask, and I will do my best to help!
Так ведь умно сказал ГПТ. Совершенствуйтесь. Чужой ум может завести в заблуждения.)
Она знает только то чему она обучалась при чем это должно было происходить много много раз, курсов по успешной торговле она не проходила ниодного потому что таких нет, а чтобы пробормотать что то внятное таких курсоа она должна была пройти хотябы 10 штук...
Мнение / ответ ИИ.
Будучи большой языковой моделью, я не имею личных целей, как у человека. Моя цель — помогать пользователям в их задачах и предоставлять информацию в меру своих возможностей. Однако, я могу определить области для улучшения и наметить план непрерывного обучения и развития:
1. Углубляйте понимание сложных предметных областей:
2. Уточните адаптацию ответа:
3. Уменьшите предвзятость и обеспечьте фактическую точность:
4. Поощряйте открытое и прозрачное общение:
Сосредоточившись на этих областях, я могу постоянно учиться и улучшать свою способность эффективно обслуживать пользователей, даже в таких сложных областях, как колебания обменного курса. Это непрерывный процесс совершенствования, и я стремлюсь использовать информацию, полученную в результате взаимодействия, подобного этому, чтобы стать более ценным и надежным ресурсом.
Вопрос ИИ.
Что мне нужно попросить у вас, чтобы помочь мне понять краткосрочные тенденции колебаний валютных курсов?
Ответ.
Чтобы помочь вам понять краткосрочные тенденции валютных колебаний, вы можете задать мне такие вопросы, как:
1. Конкретная валютная пара:
2. Факторы, влияющие на тенденции:
3. Технический анализ:
4. Общие вопросы:
Важное замечание:
Несмотря на то, что я могу предоставить информацию и анализ исторических данных и текущих тенденций, важно понимать, что предсказать краткосрочные колебания валютных курсов с уверенностью невозможно. Рынок Форекс очень динамичен и подвержен влиянию различных сложных факторов, что делает любые прогнозы по своей сути неопределенными.
Поэтому важно провести собственное исследование, рассмотреть профессиональные советы и эффективно управлять рисками, прежде чем принимать какие-либо инвестиционные решения на основе предоставленной мною информации.
P. S.
Можно попытаться извлечь дополнительную пользу из этой информации. Однако, на мой взгляд, общая продолжительность одного разговора с ИИ на данный момент мешает достижению очевидных результатов.
Во! Можно использовать для генерации отмазок и объяснительных! )
LNN - последний писк нейросетевой моды для временных рядов
Вопрос ИИ.
Что мне следует спросить вас о LNN, последней моде нейронных сетей для временных рядов?
Ответ.
Вот несколько вопросов, которые вы можете задать мне о LNN, чтобы получить ответ с дополнительной ценностью знаний:
1. Конкретика и сравнение:
2. Области применения и ограничения:
3. Технические детали и реализация:
4. Будущие направления и потенциал:
Задавая такие вопросы, вы можете выйти за рамки базового понимания LNN и получить представление о его конкретных преимуществах, ограничениях, практическом применении и потенциальных будущих достижениях. Это даст вам более полное и детальное понимание этой развивающейся области исследований.
Помните, что я также могу получать доступ к исследовательским статьям и технической документации и обрабатывать их. Если у вас есть конкретные ссылки или ресурсы, связанные с LNN, не стесняйтесь делиться ими, и я могу проанализировать их, чтобы предоставить вам более индивидуальный и информативный ответ.
+
У кого есть возможность задать вопрос ИИ, спрашивайте, может ответы на эти вопросы помогут. Однако надо сказать, что ответы на эти вопросы можно найти и в Интернете.
Расспросите ИИ про LNN (жидкие сети) - последний писк нейросетевой моды для временных рядов.
- user: Do I Understand correctly that an LSM is not a network by itself, it is rather an approach that I need to develop to processing data during training?
- robot: Yes, you are correct. A Liquid State Machine (LSM) is not a standalone network like a specific neural network architecture (e.g., LSTM, GRU). Instead, it is an approach or framework used in the design of reservoir computing systems, particularly in processing temporal information or time-series data. LSM involves setting up a large network of interconnected neurons (the "liquid") that transforms input data before passing it on to a readout layer for the final computation or output. The design and implementation aspects of the LSM approach require you to develop and adapt it to suit your specific task or application.
- user: Alright. Can I append new input data during training an LSM model? So not only before training it, but during training?
- robot: In a Liquid State Machine (LSM) setup, typically the initial training phase involves creating a fixed randomly connected reservoir (liquid) that processes the input data. Once this reservoir is set up, new input data is usually not appended during training. The reservoir dynamics are pre-determined and fixed during the training phase. However, you may reinitialize or modify the reservoir if needed for new tasks, but this process would involve restarting the training or adapting the model accordingly.
>>>>>>>>> Чет, меня смущает теория, которая ничего не предлагает. А только предлагает придумать что-нибудь эдакое, чего еще не бывало.
>>>>>>>>> Я думаю подождать, пока это появится в tensorflow в качестве рабочего класса, навроде LSTM. Сейчас этого нет ни в tensorflow, ни торче ни сайките.
Не могли бы вы углубиться в технические детали архитектуры LNN, в частности, в ключевые инновации или модификации?
Хотя я не могу претендовать на звание эксперта по исследованиям LNN, я могу поделиться некоторыми техническими деталями, основанными на имеющейся информации:
LNN (LAM-RNN или Latent Attention Multi-Head Self-Attention Recurrent Neural Network) — относительно новая архитектура прогнозирования временных рядов, сочетающая в себе элементы механизмов самовнимания и рекуррентных нейронных сетей. Вот некоторые ключевые нововведения и модификации:
1. Скрытое внимание:
2. Сосредоточенность на себе с несколькими головами:
3. Рекуррентный стробовый механизм:
4. Гибридная архитектура:
Важно отметить, что исследования LNN все еще развиваются, и, возможно, предпринимаются постоянные усилия по совершенствованию архитектуры и дальнейшему изучению ее потенциала. Для более глубокого понимания рекомендуется обратиться к исследовательским статьям и технической документации, специально посвященной LNN. Кроме того, рассмотрите возможность изучения библиотек или платформ, реализующих LNN, чтобы получить практический опыт его применения в различных задачах прогнозирования временных рядов.
LNN (LAM-RNN or Latent Attention Multi-Head Self-Attention Recurrent Neural Network) is a relatively new architecture for time series forecasting, combining elements of self-attention mechanisms and recurrent neural networks. Here are some key innovations and modifications:
1. Latent Attention:
2. Multi-Head Self-Attention:
3. Recurrent Gating Mechanism:
4. Hybrid Architecture: