안녕하세요 NG입니다. 아니요. 나는 이제 생성 모델에 더 관심이 있습니다. 인공 시리즈와 실제 시리즈를 구분할 수 없다면 Turing에 더 가깝습니다. 사실 ML을 시장에 적용하기 위한 올바른 솔루션은 이미 찾았고 뉘앙스만 남아 있습니다. 개념 드리프트를 올바르게 모델링하고 학습하기만 하면 됩니다.
막심 드미트리예프스키 : 안녕하세요 NG입니다. 아니요. 나는 이제 생성 모델에 더 관심이 있습니다. 인공 시리즈와 실제 시리즈를 구분할 수 없다면 Turing에 더 가깝습니다. 사실 ML을 시장에 적용하기 위한 올바른 솔루션은 이미 찾았고 뉘앙스만 남아 있습니다. 개념 드리프트를 올바르게 모델링하고 학습하기만 하면 됩니다.
...ML을 시장에 적용하기 위한 올바른 솔루션은 이미 찾았습니다... 그리고 그 솔루션은 무엇입니까? 나는 많은 경쟁 솔루션이 있다고 가정합니다)
...ML을 시장에 적용하기 위한 올바른 솔루션은 이미 찾았습니다... 그리고 그 솔루션은 무엇입니까? 나는 많은 경쟁 솔루션이 있다고 가정합니다)
그리고 개념 드리프트 시뮬레이션은 어떻습니까? 피드백이 도움이 되지 않습니까?
그리고 개념적으로 우리가 더 가정하는 것:
- 시간이 지남에 따라 점진적인 변화
- 주기적 또는 주기적 변경
- 급작스러운 변화
아니면 모든 것을 한 번에 포함합니까?
정확히 무엇을 변경하고 차량을 날카롭게 볼 필요가 있습니다. 변화하는 것은 모델링하는 것입니다. 인공 행을 만듭니다. 변화의 범위, 역사에 대해 살펴봅니다. 정답은 없지만 상황에 따라 꽤 오랜 시간 작동시킬 수 있습니다. 모델링 규범에 대한 피드백, 예를 들어 재발성 간, 그러나 아직 그것에 도달하지 못했습니다. 그리고 모델에 대한 분류기는 다음과 같을 수 있습니다.
일반적으로 모든 것은 평균 증분의 편향 및 변경해야 하는 분산과 같은 사소한 것들에 의존합니다. 그리고 변동성 클러스터링은 잘 모델링되었습니다.
정확히 무엇을 변경하고 차량을 날카롭게 볼 필요가 있습니다. 변화하는 것은 모델링하는 것입니다. 인공 행을 만듭니다. 변화의 범위, 역사에 대해 살펴봅니다. 정답은 없지만 상황에 따라 꽤 오랜 시간 작동시킬 수 있습니다. 모델링 규범에 대한 피드백, 예를 들어 재발성 간, 그러나 아직 그것에 도달하지 못했습니다. 그리고 모델에 대한 분류기는 다음 중 하나일 수 있습니다.
일반적으로 모든 것은 변경해야 하는 평균 증분의 오프셋과 같은 사소한 것에 달려 있습니다. 그리고 변동성 클러스터링은 잘 모델링되었습니다.
그리고 평균(또는 중앙값)의 이동이 증가하면 "시간 경과에 따른 점진적 변화"/"주기적 또는 주기적 변화"로 평면화하는 것이 제어 변수로 모델에 도입됩니까? 평생 학습의 개념을 기반으로 합니다.
그리고 평균(또는 중앙값)의 이동이 증가하면 "시간 경과에 따른 점진적 변화"/"주기적 또는 주기적 변화"로 평면화하는 것이 제어 변수로 모델에 도입됩니까? 평생 학습의 개념을 기반으로 합니다.
정확히 반대일 수 있지만 갑작스럽거나 갑작스러운 변화로 인해 더 어려울 수 있습니다.)
나는 그러한 개념에 익숙하지 않습니다. 나는 행을 각각 n-막대 배치로 나누는 것으로 충분하다고 생각하며 놀라움을 원한다면 숨길 수 있습니다. 무언가를 구체적으로 결정할 수는 없다고 생각하지만 옵션을 열거하면서 모델을 얻는 것은 문제가 되지 않습니다. 새로운 데이터를 보지 못했지만 유사한 생성된 데이터에 대해 학습되었습니다. 가장 중요한 것은 옵션의 적용 범위가 크다는 것입니다. 그렇지 않으면 실수로 이야기를 선택할 수 있습니다.
예를 들어, 모든 통화 쌍에 대해 5년의 범위를 가진 좋은 모델을 얻고 단 몇 개월 + 인공 모델을 학습합니다. 어떤 글로벌 변화가 있는지는 모르겠지만 계절적 변화를 보면 평균적인 변화가 다르다. 아직 모델링을 하지 않았습니다.
맥심, 신경 튜링 기계의 샘플이 있었나요? 어떤 틀에서 어떤 진전이 있습니까?
모두 새해 복 많이 받으세요!
안녕하세요 NG입니다. 아니요. 나는 이제 생성 모델에 더 관심이 있습니다. 인공 시리즈와 실제 시리즈를 구분할 수 없다면 Turing에 더 가깝습니다. 사실 ML을 시장에 적용하기 위한 올바른 솔루션은 이미 찾았고 뉘앙스만 남아 있습니다. 개념 드리프트를 올바르게 모델링하고 학습하기만 하면 됩니다.
...ML을 시장에 적용하기 위한 올바른 솔루션은 이미 찾았습니다... 그리고 그 솔루션은 무엇입니까? 나는 많은 경쟁 솔루션이 있다고 가정합니다)
그리고 개념 드리프트 시뮬레이션은 어떻습니까? 피드백이 도움이 되지 않습니까?
그리고 개념적으로 우리가 더 가정하는 것:
- 시간이 지남에 따라 점진적인 변화
- 주기적 또는 주기적 변경
- 급작스러운 변화
아니면 모든 것을 한 번에 포함합니까?
...ML을 시장에 적용하기 위한 올바른 솔루션은 이미 찾았습니다... 그리고 그 솔루션은 무엇입니까? 나는 많은 경쟁 솔루션이 있다고 가정합니다)
그리고 개념 드리프트 시뮬레이션은 어떻습니까? 피드백이 도움이 되지 않습니까?
그리고 개념적으로 우리가 더 가정하는 것:
- 시간이 지남에 따라 점진적인 변화
- 주기적 또는 주기적 변경
- 급작스러운 변화
아니면 모든 것을 한 번에 포함합니까?
정확히 무엇을 변경하고 차량을 날카롭게 볼 필요가 있습니다. 변화하는 것은 모델링하는 것입니다. 인공 행을 만듭니다. 변화의 범위, 역사에 대해 살펴봅니다. 정답은 없지만 상황에 따라 꽤 오랜 시간 작동시킬 수 있습니다. 모델링 규범에 대한 피드백, 예를 들어 재발성 간, 그러나 아직 그것에 도달하지 못했습니다. 그리고 모델에 대한 분류기는 다음과 같을 수 있습니다.
일반적으로 모든 것은 평균 증분의 편향 및 변경해야 하는 분산과 같은 사소한 것들에 의존합니다. 그리고 변동성 클러스터링은 잘 모델링되었습니다.정확히 무엇을 변경하고 차량을 날카롭게 볼 필요가 있습니다. 변화하는 것은 모델링하는 것입니다. 인공 행을 만듭니다. 변화의 범위, 역사에 대해 살펴봅니다. 정답은 없지만 상황에 따라 꽤 오랜 시간 작동시킬 수 있습니다. 모델링 규범에 대한 피드백, 예를 들어 재발성 간, 그러나 아직 그것에 도달하지 못했습니다. 그리고 모델에 대한 분류기는 다음 중 하나일 수 있습니다.
일반적으로 모든 것은 변경해야 하는 평균 증분의 오프셋과 같은 사소한 것에 달려 있습니다. 그리고 변동성 클러스터링은 잘 모델링되었습니다.그리고 평균(또는 중앙값)의 이동이 증가하면 "시간 경과에 따른 점진적 변화"/"주기적 또는 주기적 변화"로 평면화하는 것이 제어 변수로 모델에 도입됩니까? 평생 학습의 개념을 기반으로 합니다.
정확히 반대일 수 있지만 갑작스럽거나 갑작스러운 변화로 인해 더 어려울 수 있습니다.)
그리고 평균(또는 중앙값)의 이동이 증가하면 "시간 경과에 따른 점진적 변화"/"주기적 또는 주기적 변화"로 평면화하는 것이 제어 변수로 모델에 도입됩니까? 평생 학습의 개념을 기반으로 합니다.
정확히 반대일 수 있지만 갑작스럽거나 갑작스러운 변화로 인해 더 어려울 수 있습니다.)
나는 그러한 개념에 익숙하지 않습니다. 나는 행을 각각 n-막대 배치로 나누는 것으로 충분하다고 생각하며 놀라움을 원한다면 숨길 수 있습니다. 무언가를 구체적으로 결정할 수는 없다고 생각하지만 옵션을 열거하면서 모델을 얻는 것은 문제가 되지 않습니다. 새로운 데이터를 보지 못했지만 유사한 생성된 데이터에 대해 학습되었습니다. 가장 중요한 것은 옵션의 적용 범위가 크다는 것입니다. 그렇지 않으면 실수로 이야기를 선택할 수 있습니다.
예를 들어, 모든 통화 쌍에 대해 5년의 범위를 가진 좋은 모델을 얻고 단 몇 개월 + 인공 모델을 학습합니다. 어떤 글로벌 변화가 있는지는 모르겠지만 계절적 변화를 보면 평균적인 변화가 다르다. 아직 모델링을 하지 않았습니다.
예를 들어, 모든 통화 쌍에 대해 5년의 범위를 가진 좋은 모델을 얻고 단 몇 개월 + 인공 모델을 학습합니다. 어떤 글로벌 변화가 있는지는 모르겠지만 계절적 변화를 보면 평균적인 변화가 다르다. 아직 모델링을 하지 않았습니다.
재고/상품에 대해 동일한 지평의 모델을 얻습니까? "몇 개월"은 VR 역사의 한 부분입니까? 그렇다면 클론다이크!
재고/상품에 대해 동일한 지평의 모델을 얻습니까? "몇 개월"은 VR 역사의 한 부분입니까? 그렇다면 클론다이크!
모든 것이 상황에 따라 약 2 개월 동안 시장이 많이 변하고 그런 이야기가 충분하지 않습니다. 어딘가에 여분이 필요합니다. 필터. 다른 도구를 사용해 본 적이 없습니다. 인덱스를 사용해 볼 수 있습니다.
접근 방식 자체는 그럴듯한 예를 많이 샘플링하는 것이며 시계열 뿐만 아니라 많은 곳에서 작동합니다. 슈퍼사이언스는 없고 골라서 지켜보기만 하면 됨)
예를 들어 특정 시간(계절 구성 요소)에 대해 배우기 위해 이렇게 무차별 대입했습니다. 시간별 모델 선택. 각 포인트는 하나의 모델이며 1시간당 10개의 모델이 학습됩니다. 밀도가 높고 포인트가 높을수록 더 좋습니다.
차트는 거래일의 가장자리, 중간에 변동성이 높은 좋은 모델이 많이 있음을 보여줍니다. 그러한 전략은 (평균적으로) 더 나쁩니다. 솔직히 쓰레기 기간은 몇 개 밖에 없으며 나머지는 작업할 수 있습니다.
그런 다음 5시간 동안 살펴보니 이러한 균형 곡선이 나타납니다. 모든 모델이 그에게 적합합니다. 반 시험, 반 훈련(5년 동안). 계절의 경우 사례가 적기 때문에 2개월 이상 필요
글쎄, 그런 모든 것. 글을 쓰고 싶었는데 글자가 적어서 안되네요.. 물을 부어야해요
이것은 GBPUSD이지만 모든 샤프트에서 작동합니다. 커플
시간별 모델 선택. 각 포인트는 하나의 모델이며 1시간당 10개의 모델이 학습됩니다. 밀도가 높고 포인트가 높을수록 더 좋습니다.
그런 다음 5시간 동안 살펴보니 이러한 균형 곡선이 나타납니다. 모든 모델이 그에게 적합합니다. 반 시험, 반 훈련(5년 동안). 계절의 경우 사례가 적기 때문에 2개월 이상 필요
글쎄, 그런 모든 것. 글을 쓰고 싶었는데 글자가 적어서 안되네요.. 물을 부어야해요
이것은 GBPUSD이지만 모든 샤프트에서 작동합니다. 커플
얼마나 오랫동안 명백한 것이 무시되어 왔는지 ...