Ticarette makine öğrenimi: teori, pratik, ticaret ve daha fazlası - sayfa 1033
Ticaret fırsatlarını kaçırıyorsunuz:
- Ücretsiz ticaret uygulamaları
- İşlem kopyalama için 8.000'den fazla sinyal
- Finansal piyasaları keşfetmek için ekonomik haberler
Kayıt
Giriş yap
Gizlilik ve Veri Koruma Politikasını ve MQL5.com Kullanım Şartlarını kabul edersiniz
Hesabınız yoksa, lütfen kaydolun
Ben bir programcıyım, telepat değil. Sorular olacak - cevaplar vereceğim ...
Cevap : 42 :D
Bir programcı olarak cevap vermeye hazırsanız, işte küçük bir soru - bir programcının görevi ve aynı zamanda ısrar ettiğiniz bir beceri kontrolü.
Ekli dosya, Uzman Danışman için EURUSD H1 için bir sinyal şablonu içerir, bunların oluşumu için algoritmayı belirlemeniz gerekir.
İsterseniz çözümü bir Uzman Danışman şeklinde yayınlayabilir ve tahmin edici kaba kuvvetin gücünü ve makine öğrenimi kitaplığınızı iş başında gösterebilirsiniz.
Katılmak isteyen tüm makine öğrenicilerine, önerilen sorunu veya şablon şeklinde sunulan diğer sorunları MO yoluyla çözmeye hazır olduğumu öneriyorum.
Belki de bu piskomerstvo modunda en azından bazı ortak yaklaşımlar ve formatlar geliştirebileceğiz.))
Şablonu kaydetmeden önce tüm göstergelerin silinmesi gerekiyordu. Belki, elbette, ad=ana gösterge nedeniyle değil, ancak veriler görüntülenmiyor.
Ve stratejinin karlı olduğunun garantisi nerede? Belki de bu sadece şanslı bir tarih parçasıdır...
Kitaplığımı kimse okumamış gibi görünüyor, çünkü onunla ilgili soru yok. Herkes kâseyi bulmanın yolunu anlamadan almak ister.
Şablonu kaydetmeden önce tüm göstergelerin silinmesi gerekiyordu. Belki, elbette, ad=ana gösterge nedeniyle değil, ancak veriler görüntülenmiyor.
Ve stratejinin karlı olduğunun garantisi nerede? Belki de bu sadece şanslı bir tarih parçasıdır...
Kitaplığımı kimse okumamış gibi görünüyor, çünkü onunla ilgili soru yok. Herkes, onu bulmanın yollarını anlamadan kâseyi almak ister.
Ana giriş tüm şablonlardadır, karışmaz ve oradaki veriler yalnızca grafik nesneleridir - oklar, mavi - SATIN AL, kırmızı - SAT.
EURUSD H1 grafiğini açın ve dosyayı yükleyin (menü - Charts\Template\Load Template...) ve Objects List bağlam menüsünde kontrol edin.
Ve kimse sizden kâseyi istemez, sadece sorunu çözün ve pratikte sözlerinizi ve kütüphanenin verimliliğini onaylayın.
Sinir ağlarının gelişmiş mimarileriyle ilgileniyorsanız, çok ilginç fikirler ortaya çıkıyor. Tabii ki, daha fazla ayrıntıya girmek zor, derin öğrenme için çerçevelerle deneyime ve gerçekten de vektör matematiği anlayışına ihtiyacınız var.
Ama buna değer.
Piyasa söz konusu olduğunda, henüz gösterecek bir şeyim yok, piyasa **tamam) Bunun için çok zaman gerekiyor.
Anlaşmazlığımıza gelin orası sessiz ve rahat) Derin ağların nasıl hazırlanacağını imzalayıp örneklerle göstereceğim.
ona ihtiyacım yok, o tamamen beyin koruyucusu
Sinir ağlarının gelişmiş mimarileriyle ilgileniyorsanız, çok ilginç fikirler ortaya çıkıyor. Tabii ki, daha fazla ayrıntıya girmek zor, derin öğrenme için çerçevelerle deneyime ve gerçekten de vektör matematiği anlayışına ihtiyacınız var.
Ama buna değer.
Piyasa söz konusu olduğunda, henüz gösterecek bir şeyim yok, piyasa **tamam) Bunun için çok zaman gerekiyor.
Anlaşmazlığımıza gelin orası sessiz ve rahat) Derin ağların nasıl hazırlanacağını imzalayıp örneklerle göstereceğim.
Forumda iletişim kuruyorum ve mezhepleri desteklemiyorum
)
Ben bir programcıyım, telepat değil. Sorular olacak - cevaplar vereceğim ...
Cevap : 42 :D
Neye ve hangi hıza bağlananla değil, neden çalışması gerektiği kavramıyla ilgileniyorum.
yaklaşımın teorik açıklaması, bunu koddan anlamadım, ancak Java'yı koymak ve bunun için kıvılcım vb., sadece anlamak için - çok eğlenceli
onlar. MO'yu nasıl gördüğünüz ve onunla nasıl çalıştığınız, tabiri caizse anlayışınızın derinliği
43 cevap verirsen bir daha sormam :)
Kitaplığımın MQL5'teki kısmı doğrudan Apache Spark ile ilgili değil. Spark'ta kullanım için verileri dönüştüren ayrı bir Java modülü vardır. Ve bu modül Python'a taşınmalıdır.
Apache Spark - Rastgele Ormanlar için dağıtılmış büyük veri işleme sistemi + modülü. 1000 sunucuda veri işleyebilir (Facebook böyle bir eşiğe rastladı).
Büyük veri - bir dosyayı işlerken RAM'e sığmaz.
Verilen: 5 GB'de 2 yıl için 800 tahminci.
Görev: 1-2 saat içinde 250 ağaç oluşturmak için birkaç ucuz Amazon sunucusu kullanın.
Çözüm: AWS EMR + Apache Spark.
Spark kullanmadan bu soruna bir çözüm var mı?
Apache Spark, RAM eksikliğini unutmanızı sağlar.
7000 tahminci ve 30 GB veri ile 500 ağaçtan oluşan bir Rastgele Orman oluşturdum. Amazon, 16 CPU'lu iki sunucuda 15 saat çalıştı.
Apache Spark, RAM eksikliğini unutmanızı sağlar.
7000 tahminci ve 30 GB veri ile 500 ağaçtan oluşan bir Rastgele Orman oluşturdum. Amazon, 16 CPU'lu iki sunucuda 15 saat çalıştı.
Ve rastgele bir ormandaki 7000 tahmincinin anlamı? Hala yeniden öğreniyor. Yaklaşık 30-40 tahminci aldım ve ormanı eğittim. Sonra herkes onları ayrı ayrı sürdü ve bu yöntemi kullanarak 4 tahminci seçti.
Dört tahminci üzerinde eğitilen orman, 30-40'tan biraz daha iyi çıkıyor, ama fazla değil. Teklifler, özellikle forex, daha rastgele bir veri türüne sahiptir ve negatif olana göre istenen sınıfa +% 5 (% 55 doğru tahmin) mertebesinde bir yere sıkıştırıldığı ortaya çıkar.
Belki, elbette, sınıfları daha iyi ayıracak bir şekilde fiyat aralığından bir bileşen ayırmak mümkündür, ancak şu ana kadar başarılı olamadım.
Yani, neden benim, tahmin edici üretmeye gerek yok. Bence bu pek mantıklı değil, sadece orman daha da hızlı yeniden eğitilecek.
Apache Spark, RAM eksikliğini unutmanızı sağlar.
7000 tahminci ve 30 GB veri ile 500 ağaçtan oluşan bir Rastgele Orman oluşturdum. Amazon, 16 CPU'lu iki sunucuda 15 saat çalıştı.
düşünülemez olanı itmeye ve tahmin edicileri anlamsızca çarpmaya karar verdi
bu kadar çok tahminciyi nereden buldun? onların ithalatı nedir? orada, ormanın 1/3'ü eğitim setine dahil edilmedi ve %95'i düşük ithalata sahip. Ve sistem şimdi, 1 tahmin başına 3 saat olmak üzere, bu kadar çok sayıda tahmin ediciye nasıl bir yanıt veriyor? )