Maschinelles Lernen im Handel: Theorie, Modelle, Praxis und Algo-Trading - Seite 1734
Sie verpassen Handelsmöglichkeiten:
- Freie Handelsapplikationen
- Über 8.000 Signale zum Kopieren
- Wirtschaftsnachrichten für die Lage an den Finanzmärkte
Registrierung
Einloggen
Sie stimmen der Website-Richtlinie und den Nutzungsbedingungen zu.
Wenn Sie kein Benutzerkonto haben, registrieren Sie sich
Nun, ja, die Katzen auf dem Bild sind anders, aber das Netzwerk erkennt sie und unterscheidet sie irgendwie von den Hunden ...
Lesen Sie etwas über die Grundsätze der Mustererkennung, über Faltungsnetze, ihre Funktionsweise usw. Ihre Fragen sind sehr unreif, und wenn Sie sie lesen, werden Sie ihre Dummheit verstehen.
Auch Ihre Antworten sind nicht ausgereift. Noch einmal: Das zerstörte Objekt weist zu große Unterschiede zum Ganzen auf, und daher kann die Entropie in seinem Bild nicht durch eine Vergrößerung der Trainingsstichprobe ausgeglichen werden. Diese Probe könnte unendlich werden oder mit anderen Proben verwechselt werden. Das ist sogar für mich offensichtlich.
Auch Ihre Antworten sind nicht sehr ausgereift. Auch hier unterscheidet sich das zerstörte Objekt zu sehr vom Ganzen, so dass die Entropie in seinem Bild nicht durch eine Vergrößerung der Trainingsstichprobe ausgeglichen werden kann. Diese Probe könnte unendlich werden oder mit anderen Proben verwechselt werden. Das ist selbst für mich offensichtlich.
Offensichtlich, aber nicht sehr sichtbar )) Wenn Sie ein Netz darauf trainieren wollen, ein zerstörtes Haus zu erkennen, trainieren Sie es auf zerstörte Häuser. Geben Sie ihm nicht ein ganzes Haus und fragen Sie sich, wie es ein zerstörtes Haus darstellen soll... Offensichtlich!!!
Das ist dasselbe, was ich von Anfang an gesagt habe.
mytarmailS:Wen kümmert es, ob das Haus kaputt ist oder nicht, das Netz lernt, was es lernt
Offensichtlich, aber nicht sehr sichtbar.) Wenn man ein Netzwerk darauf trainieren will, ein zerstörtes Haus zu erkennen, trainiert man es an zerstörten Häusern. Man gibt ihm nicht ein ganzes Haus und fragt sich, wie es ein zerstörtes Haus darstellen soll... Es ist offensichtlich!!. Lassen Sie Konow frei:
Retag Konow:
Auch Ihre Antworten sind nicht sehr ausgereift. Auch hier unterscheidet sich ein zerstörtes Objekt zu sehr vom Ganzen, so dass die Entropie in seiner Darstellung nicht durch eine Vergrößerung der Trainingsstichprobe ausgeglichen werden kann. Diese Probe könnte unendlich werden oder mit anderen Proben verwechselt werden. Das ist selbst für mich offensichtlich.
Der Algorithmus für die Zerstörung von Ziegelwänden und seine Visualisierung wurde schon vor langer Zeit entwickelt. Die Frage ist, ob wir die Zerstörungsfaktoren kennen und ob das Haus wiederhergestellt werden kann))))
Offensichtlich, aber nicht sehr sichtbar.) Wenn man ein Netz darauf trainieren will, ein zerstörtes Haus zu erkennen, trainiert man es auf zerstörte Häuser. Man gibt ihm nicht ein ganzes Haus und fragt sich, wie es ein zerstörtes Haus darstellen soll... Offensichtlich!!!
Das ist dasselbe, was ich von Anfang an gesagt habe.
mytarmailS:Es macht keinen Unterschied, ob das Haus kaputt ist oder nicht, das Netz lernt, was ihm beigebracht wird.
Lassen Sie Ihrer Fantasie freien Lauf. Wie viele Varianten des Einbruchs kann es geben? Unendlich. Das bedeutet, dass man ihm beibringen kann, eine oder mehrere Arten von zerrütteten Haushalten zu erkennen, aber nicht alle. Wenn die Form der Zerstörung vorher nicht bekannt ist, was nützt es dann, das Netz zu trainieren und zu hoffen, dass die eingestürzten Häuser, auf die es trifft, in die Trainingsstichprobe passen? Das Netz wird daher mit zufälligem, schwankendem Erfolg und einem unvorhersehbaren Prozentsatz an Erkennung arbeiten.
Ich denke, wir brauchen einen anderen Ansatz.
Der Algorithmus für die Zerstörung einer Ziegelmauer und seine Visualisierung wurde schon vor langer Zeit entwickelt. Die Frage ist, ob wir die Faktoren der Zerstörung kennen, und wenn wir sie kennen, dann ist das Haus wiederhergestellt))))
Entropie ist ein Maß für das Chaos, das in jedem kollabierten Objekt herrscht. Die Wiederherstellung des Ganzen aus seinem chaotischen Zustand ist ein Kampf gegen die Entropie. Aber haben wir eine Formel? Das tun wir. Diese Formel heißt Intelligenz. Sie fügt aus den einzelnen Teilen ein einziges Bild zusammen und umgeht damit Chaos und Unordnung. Sie setzt die Teile in eine Gleichung ein und erhält als Ergebnis das gesamte Objekt.
Schlussfolgerung: Intelligenz nutzt NS bei der Erkennung, ist aber nicht linear von der Lernstichprobe abhängig. Durch die Symbiose mit dem Intellekt erhöht sich die Effizienz von NS um ein Vielfaches.
Es setzt die Teile zu einem einzigen Bild zusammen,
Umgehung des Chaos und der Unordnung.
Er fügt die einzelnen Teile zu einer Gleichung zusammen und erhält als Ergebnis das ganze Thema.
Spektralanalyse !!! :)
Spektralanalyse !!! :)
Mehr oder weniger...))
Mach es auf deine Art, aber mach OOS
sehen wollen
es funktioniert nicht), aber es hat Spaß gemacht...
Meine funktioniert besser als die andere.
Wie auch immer, diese Methode funktioniert nicht), aber es hat Spaß gemacht...
meine funktioniert besser, und zwar
traurig )
Lag erhöht?, jede Minute ist zu dünn kann seinSie müssen nur die Methode überprüfen. Ich habe versucht, es selbst in die Hand zu nehmen, ich werde es nie tun, es kann zu lange dauern, ich habe mich an R erinnert, ich habe vier Stunden lang Daten aufgezeichnet, während ich danach gesucht habe, ich habe niemanden, der mich berät. Und was ich zu 100 Prozent tue, wird eine Menge Fehler sein. Und ich muss ein Skript in R erstellen, das den gesamten obigen Algorithmus implementiert, und ihn in der Praxis überprüfen. Auch wenn der schwierigste Parameter TC wie z.B. "GARANTIE" bereits mit 3 von 5 Punkten bewertet werden kann.
Ich hätte schon gewusst, wie man es macht. Und ich hätte höchstens 1 Beugung vorausgesagt und bei jedem Takt neu trainiert.
Ich würde diese Aufgabe in 3 Teile unterteilen: Datenaufbereitung, Aufschlüsselung in Komponenten und Prognose. Ich weiß, wie man die ersten beiden Aufgaben erledigt, aber die Vorhersage ist ein Problem. Ich würde gerne NS nutzen, aber es ist ein offenes Feld, außerdem habe ich mich seit NS nicht mehr damit beschäftigt.
Wenn ich schnell damit spielen möchte, kann ich Assistenten verwenden und anhand dieser Indikatoren Vorhersagen treffen. Die Parameter sollten im Optimierer angepasst werden.
Ich verstehe nicht, diese Lysaju Zahlen zeigen, was, die Beziehung zwischen den beiden Komponenten in der Expansion? Das heißt, es gibt zwei Komponenten in der Expansion, die relativ zueinander verschoben sind? Bedingter sin und cos. Das ist überflüssig, man könnte es durch etwas mit einer anderen Anfangsphase ersetzen.