그러나 문제는 - 심지어 멋진 아이디어라도 신호가 없으면(여권과 같은) 신호가 없거나 부정적이면 사람들의 반응을 찾지 못한다는 것입니다. 나는 이것을 내 자신의 예에서 봅니다. 음, 긍정적인 균형이 없는 것 같습니다. 배너를 들고, 작업을 결승전으로 가져오고, 사람들을 행복하게 만듭니다. 아니, 아무도 관심이 없습니다.
그래서 이 스레드에 있습니다.
글쎄, 아무도 "하늘에 대한 형평성"을 가지고 있지 않으며 일반적으로 형평성이 없으며 그게 전부입니다. 주제는 즉시 지나가고 흥미롭지 않은 주제가됩니다.
결론: 각 주제에는 "신호가 있는 사람"이 있어야 합니다. 긍정적으로! 그러면 인생이 시작됩니다.
우리는 그런 사람을 기다리고 있습니다. 우리는 희망하고 믿습니다.
솔직히, 나는 보지 못했다. 나는 누군가의 신호에 관심이 없었고, 실제의 보고서조차도. 나는 요점이 보이지 않는다. 나는 이 일반적인 열망을 이해하지 못한다.
유리 아사울렌코 : 솔직히, 나는 보지 못했다. 나는 누군가의 신호에 관심이 없었고, 실제의 보고서조차도. 나는 요점이 보이지 않는다. 나는 이 일반적인 열망을 이해하지 못한다.
아니요, 다른 많은 사람들과 마찬가지로 저도 관심이 있습니다.
이것은 어떤 말을 해도 마음의 지표입니다. 예를 들어 내 친구 중에 괜찮은 신호를 가진 사람이 있습니다. 영감을 주고 계속해서 일하게 만듭니다. 나는 당신이 Forex에서 돈을 벌 수 있다는 것을 정말로 알고 있습니다. 그리고 내가 개인적으로 아직 대처할 수 없다는 사실 - 글쎄, 글쎄. 아직 저녁이 아닙니다.
이것은 어떤 말을 해도 마음의 지표입니다. 예를 들어 내 친구 중에 괜찮은 신호를 가진 사람이 있습니다. 영감을 주고 계속해서 일하게 만듭니다. 왜냐하면. Forex에서 돈을 벌 수 있다는 사실을 알게 되었습니다. 그리고 내가 개인적으로 아직 대처할 수 없다는 사실 - 글쎄, 글쎄. 아직 저녁이 아닙니다.
Tsne는 렌더링을 위한 훌륭한 차원 축소 알고리즘입니다. 작동하려면 완전한 데이터 세트가 필요합니다. 새로운 단일 데이터로 작업하는 방법을 모릅니다. 복잡한 체조를 만들어 훈련/테스트 세트뿐만 아니라 새로운 단일 데이터에도 사용할 수 있도록 조정하는 것이 가능합니다(일부 출처 작성). 그것은 나에게 효과가 없었고 ML에서 예측자의 차원을 줄이기 위해 Tsne을 성공적으로 구현한 기사를 보지 못했습니다.
분명히 당신은 이 알고리즘을 사용하려고 시도하지 않았기 때문에 수사학적입니다. 그렇지 않으면 차원을 줄이기 위해 제공하지 않을 것입니다 ... 이 알고리즘에 대한 결과가 있으면 공유하십시오.
Tsne는 렌더링을 위한 훌륭한 차원 축소 알고리즘입니다. 작동하려면 완전한 데이터 세트가 필요합니다. 새로운 단일 데이터로 작업하는 방법을 모릅니다. 복잡한 체조를 만들어 훈련/테스트 세트뿐만 아니라 새로운 단일 데이터에도 사용할 수 있도록 조정하는 것이 가능합니다(일부 출처 작성). 그것은 나에게 효과가 없었고 ML에서 예측자의 차원을 줄이기 위해 Tsne을 성공적으로 구현한 기사를 보지 못했습니다.
분명히 당신은 이 알고리즘을 사용하려고 시도하지 않았기 때문에 수사학적입니다. 그렇지 않으면 차원을 줄이기 위해 제공하지 않을 것입니다 ... 이 알고리즘에 대한 결과가 있으면 공유하십시오.
행운을 빕니다
들어봐, 그 사람은 분류하기에 너무 많은 데이터로 문제를 생각해냈고, 나는 해결책을 생각해 냈어...
이러한 모든 알고리즘이 차원을 줄이는 것을 제외하고는 어떤 이점도 제공하지 않는다는 사실은 알고리즘이 아니라 데이터 자체에 대한 또 다른 질문이자 질문입니다.
tsne의 경우 알고리즘이 훌륭할 수 있지만 다른 것과 동일한 방식으로 시장 데이터에서 작동하므로 클래스로 나누려고 시도했지만 흥미로운 것을 얻지 못했기 때문에 볼트가 득점되었습니다. 나는 새로운 데이터에 대해 모른다. 인터넷에서 train과 test로 작업하는 tsne의 예를 보았지만 아마 당신도 보았을 것이다.
tsne의 경우 알고리즘은 훌륭할 수 있지만 다른 것과 마찬가지로 시장 데이터에서 작동 하므로 클래스로 나누려고 했지만 흥미로운 결과를 얻지 못했습니다. 그래서 Bolt가 득점 했습니다. 나는 새로운 데이터에 대해 모른다. 인터넷에서 train과 test로 작업하는 tsne의 예를 보았지만 아마 당신도 보았을 것이다.
그리고 그들 자신이 그들로부터 아무 것도받지 못했다면 왜 위에서 추천 했습니까? 사실 - 오도!
mytarmailS : 새로운 "t-sne"에서 "RSA", 푸리에 변환, 웨이블릿 등. 그들의 도움으로 ns 단위로 100개의 입력(예: 5)을 만들 수 있으며 품질을 거의 잃지 않습니다 .
그렇습니까? 그리고 그것에 대해 생각한다면, 당신은 당신의 게시물을 읽습니까? 따라서 계란 만 Maxim보다 시원합니다)).
아하하하... 덕분에 웃었습니다! 예, 재미있는 캐릭터, 만화.
유리, 다시 한 번 말하지만 원칙은 옳습니다.
그러나 문제는 - 심지어 멋진 아이디어라도 신호가 없으면(여권과 같은) 신호가 없거나 부정적이면 사람들의 반응을 찾지 못한다는 것입니다. 나는 이것을 내 자신의 예에서 봅니다. 음, 긍정적인 균형은 없습니다....
그러나 문제는 - 심지어 멋진 아이디어라도 신호가 없으면(여권과 같은) 신호가 없거나 부정적이면 사람들의 반응을 찾지 못한다는 것입니다. 나는 이것을 내 자신의 예에서 봅니다. 음, 긍정적인 균형이 없는 것 같습니다. 배너를 들고, 작업을 결승전으로 가져오고, 사람들을 행복하게 만듭니다. 아니, 아무도 관심이 없습니다.
그래서 이 스레드에 있습니다.
글쎄, 아무도 "하늘에 대한 형평성"을 가지고 있지 않으며 일반적으로 형평성이 없으며 그게 전부입니다. 주제는 즉시 지나가고 흥미롭지 않은 주제가됩니다.
결론: 각 주제에는 "신호가 있는 사람"이 있어야 합니다. 긍정적으로! 그러면 인생이 시작됩니다.
우리는 그런 사람을 기다리고 있습니다. 우리는 희망하고 믿습니다.
솔직히, 나는 보지 못했다. 나는 누군가의 신호에 관심이 없었고, 실제의 보고서조차도. 나는 요점이 보이지 않는다. 나는 이 일반적인 열망을 이해하지 못한다.
아니요, 다른 많은 사람들과 마찬가지로 저도 관심이 있습니다.
이것은 어떤 말을 해도 마음의 지표입니다. 예를 들어 내 친구 중에 괜찮은 신호를 가진 사람이 있습니다. 영감을 주고 계속해서 일하게 만듭니다. 나는 당신이 Forex에서 돈을 벌 수 있다는 것을 정말로 알고 있습니다. 그리고 내가 개인적으로 아직 대처할 수 없다는 사실 - 글쎄, 글쎄. 아직 저녁이 아닙니다.
아니요, 다른 많은 사람들과 마찬가지로 저도 관심이 있습니다.
이것은 어떤 말을 해도 마음의 지표입니다. 예를 들어 내 친구 중에 괜찮은 신호를 가진 사람이 있습니다. 영감을 주고 계속해서 일하게 만듭니다. 왜냐하면. Forex에서 돈을 벌 수 있다는 사실을 알게 되었습니다. 그리고 내가 개인적으로 아직 대처할 수 없다는 사실 - 글쎄, 글쎄. 아직 저녁이 아닙니다.
분명히 외부 인센티브가 필요합니다. 그들 없이는 아무 것도 없습니다.)
나는 가장 중요한 것을 말하는 것을 잊었습니다. 이 사람은, 글쎄요, 신경망을 사용하지 않습니다.
이 스레드의 누군가가 비슷한 결과를 보였다면 전체 포럼이 여기에 그려졌을 것이라고 절대적으로 확신합니다. 왜냐하면 국회는 웃기는 일이기 때문입니다. 그러나 아아, 이 중요한 요점이 없으면 여기에서 보고 읽을 것이 없습니다. 임호.
나는 가장 중요한 것을 말하는 것을 잊었습니다. 이 사람은, 글쎄요, 신경망을 사용하지 않습니다.
이 스레드의 누군가가 비슷한 결과를 보였다면 전체 포럼이 여기에 그려졌을 것이라고 절대적으로 확신합니다. 왜냐하면 국회는 웃기는 일이기 때문입니다. 그러나 아아, 이 중요한 요점이 없으면 여기에서 보고 읽을 것이 없습니다. 임호.
왜 해당되지 않습니까?
왜 수사적인가?
PCA - 선형 변환 + 재현성 문제.
" 푸리에 변환, 웨이블릿, 스펙트럼 특이점 등 - 분해 알고리즘
Tsne는 렌더링을 위한 훌륭한 차원 축소 알고리즘입니다. 작동하려면 완전한 데이터 세트가 필요합니다. 새로운 단일 데이터로 작업하는 방법을 모릅니다. 복잡한 체조를 만들어 훈련/테스트 세트뿐만 아니라 새로운 단일 데이터에도 사용할 수 있도록 조정하는 것이 가능합니다(일부 출처 작성). 그것은 나에게 효과가 없었고 ML에서 예측자의 차원을 줄이기 위해 Tsne을 성공적으로 구현한 기사를 보지 못했습니다.
분명히 당신은 이 알고리즘을 사용하려고 시도하지 않았기 때문에 수사학적입니다. 그렇지 않으면 차원을 줄이기 위해 제공하지 않을 것입니다 ... 이 알고리즘에 대한 결과가 있으면 공유하십시오.
행운을 빕니다
PCA - 선형 변환 + 재현성 문제.
" 푸리에 변환, 웨이블릿, 스펙트럼 특이점 등 - 분해 알고리즘
Tsne는 렌더링을 위한 훌륭한 차원 축소 알고리즘입니다. 작동하려면 완전한 데이터 세트가 필요합니다. 새로운 단일 데이터로 작업하는 방법을 모릅니다. 복잡한 체조를 만들어 훈련/테스트 세트뿐만 아니라 새로운 단일 데이터에도 사용할 수 있도록 조정하는 것이 가능합니다(일부 출처 작성). 그것은 나에게 효과가 없었고 ML에서 예측자의 차원을 줄이기 위해 Tsne을 성공적으로 구현한 기사를 보지 못했습니다.
분명히 당신은 이 알고리즘을 사용하려고 시도하지 않았기 때문에 수사학적입니다. 그렇지 않으면 차원을 줄이기 위해 제공하지 않을 것입니다 ... 이 알고리즘에 대한 결과가 있으면 공유하십시오.
행운을 빕니다
들어봐, 그 사람은 분류하기에 너무 많은 데이터로 문제를 생각해냈고, 나는 해결책을 생각해 냈어...
PCA도 분해알고리즘인데 제가 틀리지 않았다면 다른분들처럼 차원 축소를 이루는 분해입니다(뭔가는 버려도 뭔가 남습니다)
이러한 모든 알고리즘이 차원을 줄이는 것을 제외하고는 어떤 이점도 제공하지 않는다는 사실은 알고리즘이 아니라 데이터 자체에 대한 또 다른 질문이자 질문입니다.
tsne의 경우 알고리즘이 훌륭할 수 있지만 다른 것과 동일한 방식으로 시장 데이터에서 작동하므로 클래스로 나누려고 시도했지만 흥미로운 것을 얻지 못했기 때문에 볼트가 득점되었습니다. 나는 새로운 데이터에 대해 모른다. 인터넷에서 train과 test로 작업하는 tsne의 예를 보았지만 아마 당신도 보았을 것이다.
tsne의 경우 알고리즘은 훌륭할 수 있지만 다른 것과 마찬가지로 시장 데이터에서 작동 하므로 클래스로 나누려고 했지만 흥미로운 결과를 얻지 못했습니다. 그래서 Bolt가 득점 했습니다. 나는 새로운 데이터에 대해 모른다. 인터넷에서 train과 test로 작업하는 tsne의 예를 보았지만 아마 당신도 보았을 것이다.
새로운 "t-sne"에서 "RSA", 푸리에 변환, 웨이블릿 등. 그들의 도움으로 ns 단위로 100개의 입력(예: 5)을 만들 수 있으며 품질을 거의 잃지 않습니다 .