Подробности Опубликовано: 31.05.2020 00:27 Автор: Пресс-служба ОЭЗ Просмотров: 193 В кассах Федеральной пассажирской компании РЖД по всей России установлены программно-аппаратные комплексы распознавания паспорта гражданина РФ для автоматического ввода данных покупателей билетов на поезда дальнего следования. Разработка резидента ОЭЗ «Дубна»...
更好地将能量用于产生新的特征...IMHO...
如果迹象良好，那么我们甚至可以尝试预测极值，我有大约400个和10个模型，但我看到我需要几十倍的数量，训练样本可能达到>100GB，哇))))，我没有那么多的权力...
当有很多预测因素时--过度训练开始，特别是如果是助推器--有叶子在只有0.01%的样本上被激活--这显然是垃圾。
因此，在两个方向上努力是很重要的--通过模型的结构和数据的前/后处理，以及通过增加新的预测因子，寻找改进模型的方法。
我之前发给你的实验数据没有任何作用？
我现在把这个EA放在一个真实的账户 上--我看到还有其他的问题--例如，限价开关没有完全填满，市场稀薄--大滑点......
当有许多预测因素时，过度学习就开始了。
它没有，有交叉验证+额外的抽样检查...
而过度训练只是因为你的标志有5%的有用信息，而你想从他们身上得到70%的信息，而他们只是缺少......没有有用的信息......。
这就是你需要大量标志的原因。
有的叶子在只有0.01% 的样本上被激活--这显然是垃圾。
例如，当你用手交易时，你看图表，不同的TF，看到一些模式并作出决定，然后去一个小的TF，寻找一个进入点，然后等待合适的时机并进入...那是什么？这是对信息的压缩。
1）不同的TFs和它们的模式 - 压缩
2) 浅层TF，进入点--压缩
3) 进入点--压缩
结果是相对于样本而言，它甚至不会是0.01%，甚至是0.001%，但你不认为这是垃圾，对吗？
我之前发给你的实验数据没有任何结果？
什么数据，我错过了...
不开始，有交叉验证+额外的采样来检查...
可以检查，但这并不影响学习。
而过度训练只是因为你的标志有5%的有用信息，而你想从它们中获得70%的信息，但它就是不存在，没有有用的信息...
如果每个预测器都带有5%的有用信息，那就很好，或者说你期望的是多少？你如何确定一般情况下的有用性--我的依据是与样本中所有目标的平均值的偏差。
当你用手交易时，你看图表，例如看不同的TF，你看到一些模式并作出决定，然后你去一个小的TF，寻找一个进入点，然后等待合适的时机，然后进入...那是什么？这是对信息的压缩。
1）不同的TFs和它们的模式 - 压缩
2) 浅层TF，进入点--压缩
3) 进入点--压缩
由于关于样本的结果，它甚至不会是0.01%或甚至0.001%，但你不认为它是垃圾，是吗？
不，那将是随机性、直觉，但不是系统。
用什么数据？ 我错过了什么...
链接。
是的，当然))))我想看看他们是如何使用 "如果，那么，其他 "来识别图片或生成语音的，那将是很难得的。)不过说真的，你在胡说八道!
Finerider承认没有ns。
我曾经读过一篇对他们一位员工的采访，他把神经网络称为 "穷人的判别分析"。
我曾经读过一篇对他们一位员工的采访，他把神经网络称为 "穷人的判别分析"。
链接。
啊啊，我没有看到，我以为你从来没有重做过什么......。不，我没有。
可能被误解了。Finerider认识到没有ns。对小鼠大脑活动的研究工作确定了小鼠在90年代的行动前半秒会做什么。当ns赢得了国际象棋，然后随着MOs变得无敌时，这些事件并没有以这种方式被报道，尽管更加重要。工作护照的识别是在大约10年前遇到的。承认是可以的。现在，关于护照识别与ns将被安装在铁路售票处的消息....，炒作多于工作。
这都是一个误解....，有很多炒作，因为他们需要一个haip，他们需要一个haip，因为没有人力资源，有必要引起人们的兴趣，或者说那些没有智能手机就连上厕所都不行的无用生物体。
你怎么能把护照识别与驾驶汽车与跟踪识别物体相提并论呢？ 或者YouTube上的视频主题识别？ 或者人类语音生成？ 30年过去了，问题已经复杂了几千倍，而且正在得到解决，而你在谈论90年代的一些蹩脚的护照，但它仍然存在于90年代。
而将90年代的任务与今天的任务相比较也是愚蠢的，你怎么能将护照识别与驾驶汽车的附带物体识别相比较呢？ 或者YouTube上的视频主题识别？ 或者人类语音生成？ 30年过去了，这些任务已经复杂了几千倍，它们已经被解决了，而你却在谈论90年代的一些可怜的护照，但它仍然是90年代的。
我不同意，必须从一开始就了解问题，其起源和解决方案的历史在这方面有帮助。MO算法大多是在90年代之前制定和实现的，早在77年的Fortran中就有，和Cat Boost一样。今天，这些工具、力量和软件变得更加可用。识别任务遵循相同的算法，即设定书目、编目、比较。唯一改变的是数量和速度（目录搜索方法也是如此，但这并不关键）。伽利略发明了第一个哈什））)
以前10K是大的，今天100Gb可以在家里实现。如果今天的能力允许做充分的搜索和充分的搜索传递来优化GA就不需要)))))。
关于护照) https://open-dubna.ru/ekonomika/9057-razrabotka-rezidenta-oez-dubna-sokrashchaet-ocheredi-v-kassakh-rzhd
解决方案过去的价格（销售时）在500美元左右。使用人工智能的成本是多少？我不认为它更便宜。该解决方案已有15年以上的历史。顺便说一下，那里的主要问题是去除保护网))))。在一个均匀的背景上和在一个网格上是不同的任务）。
啊啊，我没有看到，我以为你从来没有重做过什么......。不，我没有。
你现在会看吗？
你现在在看吗？
我做了...
当前的余额文件不包含价格，你之前给我的价格与当前余额的大小不匹配。
UPD==============
我不应该分析和预测平衡图，而应该寻找好/坏的进入点。