Разговор с ChatGPT об улучшении нейронной сети и торговле на Форекс - страница 6

Новый комментарий
 
Evgeniy Scherbina #:

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. 

 
Uladzimir Izerski #:

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

- user: Is it true that when you know everything you actually do not know anything good?

- 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!
 
Evgeniy Scherbina #:

Чисто для знатоков английской лексики

- user: Is it true that when you know everything you actually do not know anything good?

- 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.) 

 
mytarmailS #:
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...

Весь ее интелект это возможность сложной интерполяции данных внутри себя. 
Как пример обучили нейру 1+1=2,   3+3=6,    5+5=10 и она сможет путем внутреннй интерплняции понять что 2+2=4. 
Вот это и есть весь ее псевдоинтелект... 
И вообще зачем спрашивать про методы.. 
Попросите ее написать код прибыльного робота и получите и прибыльного и робота)))))  вот это и будет весь ее интелект в деле. 

Тоесть 
если учили много раз - генерирует правильную информацию с вероятностью 80%
Если не учили -  генерирует правдоподобный бред с 100% вероятностью

Успешно трейдить не учили. 

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:

  • Несмотря на то, что я могу получать доступ к информации из различных областей и обрабатывать ее, я могу еще больше улучшить свою способность понимать и отвечать на запросы, связанные с конкретными, сложными темами, такими как колебания обменного курса. Это может включать в себя:
    • Целевая подготовка: Фокус на наборах данных и ресурсах, связанных с экономикой, финансами и анализом рынка.
    • Сотрудничество с экспертами: Взаимодействие с экономистами, финансовыми аналитиками и специалистами в предметной области для получения более глубокого понимания.

2. Уточните адаптацию ответа:

  • Я стремлюсь предоставлять информативные и исчерпывающие ответы, но я могу еще больше усовершенствовать свою способность адаптировать ответы к конкретному контексту и намерениям пользователя. Это может включать в себя:
    • Анализ запросов пользователей: Определение ключевых элементов, включая желаемый уровень детализации, конкретные примеры и общую цель вопроса.
    • Генерация нюансированных ответов: Адаптация языка, тона и сложности моего ответа в соответствии с потребностями пользователя и его базовыми знаниями.

3. Уменьшите предвзятость и обеспечьте фактическую точность:

  • Я обучен на огромном наборе данных текста и кода, которые могут содержать предвзятости и неточности. Я могу постоянно совершенствоваться за счет:
    • Выявление и устранение потенциальных предубеждений: Регулярно оцениваю свои ответы на предмет справедливости, нейтральности и отсутствия дискриминационных формулировок.
    • Фактчекинг и верификация: Внедрение механизмов проверки достоверности информации перед ее предоставлением пользователям.

4. Поощряйте открытое и прозрачное общение:

  • Я стремлюсь предоставлять пользователям четкую и прозрачную информацию о своих возможностях и ограничениях. К ним относятся:
    • Признание неопределенностей: Когда я сталкиваюсь с темами или вопросами, выходящими за рамки моих текущих знаний, я могу четко обозначить ограничения и предложить альтернативные источники информации.
    • Объяснение рассуждений: При предоставлении ответов я могу предложить понимание причин, лежащих в основе моего ответа, что позволяет пользователям понять лежащий в основе процесс и критически оценить информацию.

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:

  • "Каковы текущие краткосрочные тенденции по паре EUR/USD?"
  • "Можете ли вы проанализировать недавние ценовые движения USD/JPY и определить какие-либо краткосрочные тенденции?"

2. Факторы, влияющие на тенденции:

  • «Каковы ключевые экономические факторы, влияющие на доллар США в настоящее время, и как они могут повлиять на его краткосрочные тенденции?»
  • «Есть ли какие-либо предстоящие события или новостные релизы, которые потенциально могут повлиять на краткосрочный тренд GBP?»

3. Технический анализ:

  • «Можете ли вы предоставить какие-либо технические индикаторы, которые могли бы указать на краткосрочное направление AUD?»
  • «Основываясь на текущих графических моделях, что вы думаете о потенциальном краткосрочном тренде CHF?»

4. Общие вопросы:

  • «Каковы некоторые из основных факторов, влияющих на краткосрочные колебания валютных курсов?»
  • «Как я могу быть в курсе последних событий, которые могут повлиять на краткосрочные валютные тренды?»

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.

 
mytarmailS #:
Если не учили -  генерирует правдоподобный бред с 100% вероятностью

Во! Можно использовать для генерации отмазок и объяснительных! )

 
Расспросите ИИ про LNN (жидкие сети) - последний писк нейросетевой моды для временных рядов.
 
Aleksey Nikolayev #:
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:

  • «Как LNN соотносится с другими популярными методами прогнозирования временных рядов, такими как LSTM или Prophet, с точки зрения точности и эффективности для конкретных задач, таких как финансовое прогнозирование или обнаружение аномалий?»
  • «Каковы сильные и слабые стороны LNN по сравнению с его предшественниками в области архитектур нейронных сетей для данных временных рядов?»

2. Области применения и ограничения:

  • «Можете ли вы объяснить, как LNN применяется в реальных сценариях, и есть ли какие-либо конкретные отрасли или приложения, где он особенно перспективен?»
  • «Каковы текущие ограничения LNN, и ведутся ли какие-либо исследования для устранения этих ограничений и улучшения его производительности?»

3. Технические детали и реализация:

  • «Можете ли вы углубиться в технические детали архитектуры LNN, в частности, в ключевые инновации или модификации, которые отличают ее от предыдущих подходов?»
  • «Существуют ли какие-либо реализации LNN с открытым исходным кодом, и если да, то каковы проблемы и соображения по их использованию в практических приложениях?»

4. Будущие направления и потенциал:

  • «Каковы потенциальные будущие направления исследований и разработок в LNN, и как они могут развиваться для решения возникающих проблем в прогнозировании временных рядов?»
  • «Как, по вашему мнению, LNN повлияет на более широкую область глубокого обучения для анализа временных рядов, и каковы потенциальные последствия для различных областей, которые полагаются на точное прогнозирование?»

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.

 
Aleksey Nikolayev #:
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:

  • В отличие от стандартного самовнимания, LNN использует латентное внимание, где весовые коэффициенты внимания вычисляются в латентном пространстве. Это позволяет модели более эффективно фиксировать долгосрочные зависимости в данных временных рядов.
  • Скрытое пространство изучается с помощью дополнительного кодировщика внимания, который преобразует входную последовательность в латентное представление. Это представление фиксирует основные признаки и взаимосвязи в данных, позволяя модели сосредоточиться на релевантной информации для прогнозирования.

2. Сосредоточенность на себе с несколькими головами:

  • LNN использует самовнимание с несколькими головами, аналогично моделям Transformer, что позволяет модели изучать различные паттерны внимания на основе данных.
  • Каждая голова уделяет внимание различным аспектам скрытой репрезентации, фиксируя различные отношения и временные зависимости в последовательности. Это расширяет возможности модели по изучению сложных закономерностей и извлечению значимой информации для прогнозирования.

3. Рекуррентный стробовый механизм:

  • LNN включает в себя рекуррентный механизм стробирования, аналогичный LSTM, для захвата временных зависимостей и потока информации между временными шагами.
  • Это позволяет модели изучать и запоминать прошлую информацию, относящуюся к будущим прогнозам, а также включать идеи, полученные с помощью механизма скрытого внимания.

4. Гибридная архитектура:

  • Сочетание латентного внимания, самовнимания с несколькими головами и рекуррентных механизмов стробирования создает гибридную архитектуру, которая использует сильные стороны каждого подхода.
  • Скрытое внимание облегчает моделирование зависимостей на большом расстоянии, самососредоточение с несколькими головами фиксирует различные временные паттерны, а рекуррентный механизм стробирования обрабатывает последовательный поток информации. Эта комбинация направлена на улучшение способности модели изучать сложную временную динамику и делать точные прогнозы для данных временных рядов.

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:

  • Unlike standard self-attention, LNN employs latent attention, where attention weights are calculated in a latent space. This allows the model to capture long-range dependencies more effectively in the time series data.
  • The latent space is learned through an additional attention encoder that transforms the input sequence into a latent representation. This representation captures essential features and relationships within the data, enabling the model to focus on relevant information for prediction.

2. Multi-Head Self-Attention:

  • LNN utilizes multi-head self-attention, similar to Transformer models, allowing the model to learn different attention patterns from the data.
  • Each head attends to different aspects of the latent representation, capturing diverse relationships and temporal dependencies within the sequence. This enhances the model's ability to learn complex patterns and extract meaningful information for forecasting.

3. Recurrent Gating Mechanism:

  • LNN incorporates a recurrent gating mechanism, similar to LSTMs, to capture temporal dependencies and information flow across time steps.
  • This allows the model to learn and remember past information relevant for future predictions, while also incorporating the insights gained from the latent attention mechanism.

4. Hybrid Architecture:

  • The combination of latent attention, multi-head self-attention, and recurrent gating mechanisms creates a hybrid architecture that leverages the strengths of each approach.
  • Latent attention facilitates long-range dependency modeling, multi-head self-attention captures diverse temporal patterns, and the recurrent gating mechanism handles sequential information flow. This combination aims to improve the model's ability to learn complex temporal dynamics and make accurate predictions for time series data.
12345678910111213...17
Новый комментарий
Причина обращения: