Машинное обучение в трейдинге: теория, модели, практика и алготорговля - страница 2567
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
https://youtu.be/KxDZZjM6ltI
Ну, если уж он полез в древность, то стоило бы начать с Аристотеля с его понятием сущности.
Ну, если уж он полез в древность, то стоило бы начать с Аристотеля с его понятием сущности.
Ты полностью смотрел?
Почти. Определением он называет то, что принято называть "номинальное определение". Есть ещё "реальное определение" или сущностное по Аристотелю.
Почти. Определением он называет то, что принято называть "номинальное определение". Есть ещё "реальное определение" или сущностное по Аристотелю.
Неужели это самое важное что ты выделил для себя из всей лекции?
Что в рассуждениях может быть важнее их исходного пункта?)
Понятия контекста и семантики давно известны, так же как и их сложность и многослойность.
Касательно алгоритмов МО - судя по всему сводится всё к очередному усложнению в архитектуре сетей, которые и так уже достаточно сложны для достижения переобучения)
Трактовки мифологии небезынтересны, но в этом тоже нет ничего оригинального.
Касательно алгоритмов МО - судя по всему сводится всё к очередному усложнению в архитектуре сетей
На самом деле если фундаментально взглянуть на проблему, то ответ становится гораздо прост.
Если у Вас есть входные данные которые имеют хоть какое либо отношение к целевой то любой аппарат НС сделает свою работу. И чем точнее входные данные описывают целевую, тем лучше результат обучения сети, дольше период её работы с неизменным качеством и т.д.
То есть суть работы в области МО заключается не в бесконечном поиске архитектур НС, методов обучения и прочих приблуд к этому, а в ВЫБОРЕ вполне рабочей ИИ и БЕСКОНЕЧНОМ поиске входных данных для ещё более лучшего результата обучения и работы модели в целом.
Именно это и заложено в работе в области машинного обучения. Выбор системы искусственного интеллекта (не просто НС, а ИИ) и работы с выбранной системой на предмет поиска лучших входов для указанной целевой функции. Иногда работают одни данные, иногда другие построенные на диаметральных преобразованиях, но пол года работает разница, пол года работает усреднение и к этому нужно уметь подстраиваться увы.
В остальном: Если в системе между входными и выходными данными отсутствует информативная взаимосвязь, ТО ни одна система ИИ не сможет построить описывающий закон между входом и выходом и поэтому все предложенные модели будут иметь случайный характер работы или не работы, поскольку РЕАЛЬНОГО закона между входом и выходом не существует в принципе!
Судя по всему, ето судя почему??
Пробежался по ссылкам на обоих его сайтах - есть там и реализации идеи в МО. Смысл у него реализуется как большой набор контекстов, каждый из которых - отдельная сетка (автоэнкодер, например).