Maschinelles Lernen im Handel: Theorie, Modelle, Praxis und Algo-Trading - Seite 2661
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
hat jemand einen Handelsroboter Fisch in Python?
Für ML Roboter...
Cooler Artikel https://pair-code.github.io/understanding-umap/
Was ist der Spaß daran?
und wo bleibt da der Spaß?
Nun, mein Hauptpunkt ist, dass es ziemlich schwierig ist, etwas mit einer "Humap"-Zerlegung zu erkennen.
Damit ein Erkennungsalgorithmus zum Beispiel erkennt, dass zwei Vorderbeine eine Klasse von "Vorderbein" sind.
muss man eine Menge Transformationen durchführen...
1) die "unmap"-Komponenten in Stücke (Cluster) aufteilen - es ist unwahrscheinlich, dass "dbscan" dies (für diese Aufgabe) korrekt bewältigen kann.
2) Variation der Mammutbeine nach Größe, so dass es eine Invarianz gibt (diesen Schritt lassen wir hier aus)
3) Korrekte Anpassung der Beine aneinander nach einem unbekannten Algorithmus + Zentrierung
4) Drehung der Beine für eine korrektere Position
5) Spiegelung der Füße für eine korrektere Position
6) jetzt müssen wir die Beine ausrichten und die Hauptverzerrungen beseitigen. Ich denke, dass es möglich ist, die Beine nach der Methode der Hauptkomponenten zu zerlegen und die erste Hauptkomponente zu entfernen, was theoretisch die Hauptverzerrungen beseitigen sollte (ich habe dies nicht illustriert).
7) Und erst dann kann man den Abstand/die Nähe zwischen den Beinen messen, um zu erkennen, dass sie ähnlich sind und als eine Klasse "Vorderbeine" klassifiziert werden können.
Nun, mein Hauptpunkt ist, dass es ziemlich schwierig ist, etwas mit einer "yumap"-Zerlegung zu erkennen.
zum Beispiel, damit der Erkennungsalgorithmus erkennt, dass zwei Vorderbeine eine Klasse "Vorderbein" sind.
muss man eine Menge Transformationen durchführen.
Armer Elefant.
Ich bin selbst schon wie dieser Elefant, mit einem viereckigen Kopf)))
Ich bin selbst schon wie der Elefant, mit einem viereckigen Kopf)))
Ja, in der Theorie ist alles klar, zum Beispiel, wo seine Beine sind und wo sein Kopf ist, aber für den Algorithmus ist nichts klar, nur eine Reihe von Punkten.
So ist es auch mit den Zeichen für Bots.
Ja, in der Theorie ist alles klar, zum Beispiel, wo seine Beine sind und wo sein Kopf ist, aber für den Algorithmus ist nichts klar, nur eine Reihe von Punkten
dasselbe gilt für die Merkmale von Bots.
Deshalb brauchen wir Invarianz im weitesten Sinne, wie in der Computer Vision, so dass der Algorithmus selbst segmentieren, dann erweitern, verengen, drehen, verzerren und erst dann vergleichen kann.
https://robwhess.github.io/opensift/
https://www.analyticsvidhya.com/blog/2019/10/detailed-guide-powerful-sift-technique-image-matching-python/#:~:text=SIFT%20hilft%20bei%20der%20lokalen,Erkennung%2C%20Szenen%20Erkennung%2C%20detektion%2C%20etc.Dasselbe gilt für die Eigenschaften von Bots.
Ganz genau! Ich mache mir keine Sorgen um den Elefanten.
.
Ja, ich frage mich.
Das Beispiel zeigt ein Modell eines Elefanten, aber wenn diese Teile verwendet werden, um ein Kamel zu bauen, wird es wahrscheinlich nicht funktionieren.
---
Auf dem Markt gibt es ständig ähnliche Modelle: "Elefanten", "Kamele", "Hasen". Aber sie alle haben unterschiedliche Größen. Aber die Muster sind echt, und sie wiederholen sich immer wieder.
In meinem Alter ist es schwierig, sich in solch komplexe analytische Prozesse wie Elefanten zu vertiefen, aber ich will sagen, dass es interessant ist.
Ja, das ist interessant.
Das Beispiel zeigt ein Modell eines Elefanten, aber wenn man aus diesen Teilen ein Kamel macht, wird es wahrscheinlich nicht funktionieren.