트레이딩의 머신러닝: 이론, 모델, 실전 및 알고리즘 트레이딩 - 페이지 3340

새 코멘트
 
Lorarica #:

저는 통계적 학습과 신뢰할 수 있는 AI인 코줄로 돌아가자고 제안합니다.

P.Z.

더 자세한 내용을 알아보세요.

자세한 내용을 바로 확인하려면 다음과 같이 읽어보세요.

 

뻔뻔함과 파렴치함의 기념비 인 멋진 책!

가장 중요한 것은 접시와 까마귀를 끊는 것입니다. 제시된 모든 것이 수학적 통계 도구에서 잘 알려져 있다는 것을 이해하지 못하거나 깨닫지 못하는 빨판 (또는 매우 계산적인 사람들)을 찾을 수 있습니다.

통계학은 수천 년의 역사를 가지고 있습니다. 수학적 통계를 개발하고 풍부하게하고 우리 주변의 무작위 프로세스를 관찰하면서 다음 질문에 답하려고 노력했습니다;

1. 이러한 무작위 프로세스의 특징은 무엇입니까?

2. 이러한 무작위 프로세스의 원인은 무엇입니까?

3. 이러한 무작위 프로세스의 미래는 어떻게 될까요?

이제이 혁신적인 용어의 의미에 대한 설명으로 "인과 관계 추론"에 대해 진지하게 외치기 시작하고 선형 회귀의 예에서 회귀 분석의 기본 사항을 대중적으로 제시하기 시작하는 영리한 사람들이 있습니다.

정말 놀랍습니다!

그리고 아주 오래된 절을 위한 이 새로운 테이블 뷰가 출시되었습니다!

오늘날 잘 구조화되고 문서화된 유일한 통계 언어인 R에는 위의 질문에 답하기 위한 도구인 10,000개 이상의 패키지와 120,000개 이상의 함수가 있으며, 그 중 하나는 원인과 결과를 찾는 것입니다.

새 번호판이 필요한 이유는 무엇인가요? 똑똑한 사람들이 돈을 벌고 기본 교육에 대한 어리석은 질문을 받지 않도록 하기 위해서입니다.

 
그렇다면 가장 간단한 질문에 답해 보세요. 모든 것을 알고 있기 때문에 연관 연결과 인과 연결은 어떻게 다른가요? 그리고 우리는 뻔뻔함이나 수치심의 기념비를 누구에게 둘지 결정할 것입니다 :)

그리고 원인과 결과를 찾는 것은 인과 적 결론이 아닙니다. :)

그렇다면이 아드레날린 급증은 어떤 구체적인 오해의 문제와 관련이 있습니까? 무엇 때문에 위협을 느끼나요?
 
Maxim Dmitrievsky #:
그렇다면 가장 간단한 질문에 답하세요. 모든 것을 알고 있기 때문에 연관 연결과 인과 연결은 어떻게 다릅니 까? 그리고 나서 우리는 이미 뻔뻔함이나 수치심의 기념비를 누구에게 둘지 결정할 것입니다 :)

그리고 원인과 결과를 찾는 것은 인과 관계 추론이 아닌가요? :)

그렇다면 이 아드레날린이 솟구치는 것은 어떤 구체적인 오해의 문제와 관련이 있나요? 무엇 때문에 위협을 느끼시나요?

"인과 관계 추론은 선형 회귀의 예에 대한 책의 첫 번째 섹션에 나와 있습니다. 거기에 쓰여진 모든 것이 학생들에게 가르쳐지고 저자가 언급하지 않은 다른 많은 것들, 예를 들어 선형 회귀의 적용 가능성 한계와 같은 가장 중요한 것이 있습니다.

그러니 질문 뒤에 숨지 마세요.

실질적으로 살펴봅시다.

이 책에서 통계학에서 알려진(그리고 R에서 사용할 수 있는) 도구를 사용하지 않는 장은 어디인가요?

메타 학생에 대해 이야기하지 마세요. 그것은 모델의 앙상블이자 수염을 가진 아이디어이기도 합니다.

 
СанСаныч Фоменко #:

"인과 추론은 선형 회귀의 예에 대한 책의 첫 번째 섹션에 나와 있습니다. 거기에 쓰여진 모든 것이 학생들에게 가르쳐지고 저자가 언급하지 않은 다른 많은 것들, 예를 들어 선형 회귀의 적용 가능성의 한계, 그런데 가장 중요한 것은 다음과 같습니다.

그러니 질문 뒤에 숨지 마세요.

본론으로 들어가 보겠습니다.

이 책에서 통계학에서 알려진(그리고 R에서 사용할 수 있는) 도구를 사용하지 않는 장은 어디입니까?

메타 학생에 대해 이야기하지 마세요. 그것은 모델의 앙상블이자 수염을 가진 아이디어이기도 합니다.

본론으로 들어가자: 연관 관계와 인과 관계의 차이점은 무엇인가요?

저자는 선형 회귀의 적용 가능성의 한계를 언급하는 데 신경을 썼습니다. 마이너스 포인트.

메타 학습자는 모델의 앙상블이 아니라 마이너스 포인트입니다.

이 책의 다른 어떤 부분에 동의하지 않으시나요, 아니면 이 책에서 이해하지 못한 부분은 무엇인가요?
 

통계적 추론이 인과적 추론과 어떻게 다른지 읽어보셨죠?

 
Maxim Dmitrievsky #:

통계적 추론이 인과적 추론과 어떻게 다른지 읽어보셨죠?

"A", "B", "C" 시퀀스에는 분명한 연관성이 있습니다.

 [,1] [,2] [,3] [,4] [,5] [,6] [,7] [,8] [,9] [,10]
 [1,] "l"  "y"  "A"  "v"  "B"  "C"  "s"  "n"  "u"  "z"  
 [2,] "p"  "x"  "a"  "n"  "A"  "B"  "j"  "y"  "d"  "C"  
 [3,] "A"  "B"  "e"  "a"  "r"  "w"  "C"  "f"  "z"  "q"  
 [4,] "d"  "s"  "q"  "c"  "w"  "A"  "B"  "k"  "z"  "C"  

이것이 인과관계가 아닌 연관성인지 또는 그 반대인지 어떻게 알 수 있나요?

 
mytarmailS #:

시퀀스 "A", "B", "C"의 형태로 명확한 연관성이 있습니다.

그것이 연관이 아니라 연상이라는 것을 이해하는 방법 또는 그 반대의 경우도 마찬가지입니다.

알파벳이 무엇인지, 어디에 명확한 연관성이 있는지 모르겠습니다.

 
Maxim Dmitrievsky #:

알파벳이 무엇인지, 여기서 명백한 연관성이 어디에 있는지 모르겠습니다.

각 줄은 새로운 관찰입니다.

각 줄에는 A B C가 반복됩니다.

A B는 C와 연관되어 있습니다.

 
mytarmailS #:

모든 라인은 새로운 관찰입니다.

각 줄에는 A B C의 반복이 있습니다.

A B는 C와 연관되어 있습니다.

글쎄, 적어도 그 발생 빈도와 다른 문자의 동시 발생 빈도를 비교해 보세요. 그리고 데이터의 특성을 이해해야 합니다.

AB가 실제로 C를 발생시키는가, 아니면 다른 문자 집합을 발생시키는가.

특히 연속적인 문자가 아니기 때문에 더욱 그렇습니다.

1...333333343335333633373338333933403341334233433344334533463347...3399
새 코멘트
사유: