Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 2661

 
Vladimir Perervenko #:

¿y qué tiene eso de divertido?

Bueno, lo que quiero decir es que es bastante difícil reconocer algo con una descomposición "humap".

Por ejemplo, para que un algoritmo de reconocimiento se dé cuenta de que dos patas delanteras son una clase de "pata delantera".

tiene que hacer un montón de transformaciones...


1) dividir los componentes "unmap" en trozos (clusters) es poco probable que "dbscan" lo haga correctamente (para esta tarea).

2) variación de las patas de mamut por tamaño para que haya invariancia (omitiremos esta etapa aquí)

3) emparejamiento correcto de las patas entre sí según un algoritmo desconocido + centrado

4) rotación de las patas para una posición más correcta

5) espejo de los pies para una posición más correcta

6) ahora tenemos que alinear las piernas, eliminar las principales distorsiones. Creo que es posible descomponer las piernas por el método de componentes principales y eliminar el primer componente principal de ellos, esto en teoría debería eliminar las principales distorsiones (no he ilustrado esto).


7) Y sólo entonces se puede medir la distancia/proximidad entre las patas para darse cuenta de que son similares y se pueden clasificar como una clase "patas delanteras".

 
mytarmailS #:

Bueno, mi punto principal es que es bastante difícil reconocer algo con una descomposición "yumap".

Por ejemplo, hacer que el algoritmo de reconocimiento se dé cuenta de que dos patas delanteras son una clase "pata delantera".

tienes que hacer un montón de transformaciones.

Pobre elefante.
 
Maxim Dmitrievsky #:
Pobre elefante.

Yo ya soy como ese elefante, con la cabeza cuadrada)))

 
mytarmailS #:

Yo ya soy como ese elefante, con la cabeza cuadrada)))

Sí, en teoría todo está claro, por ejemplo, dónde están sus patas y dónde su cabeza, pero para el algoritmo nada está claro, sólo un conjunto de puntos.

Lo mismo pasa con los signos para los bots.

 
Maxim Dmitrievsky #:

Sí, en teoría todo está claro, por ejemplo, dónde están sus piernas y dónde su cabeza, pero para el algoritmo nada está claro, sólo un conjunto de puntos

lo mismo con las características para los bots.

Por eso necesitamos invariancia en el sentido más amplio, como en la visión por ordenador, para que el propio algoritmo pueda segmentar, luego ampliar, estrechar, rotar, distorsionar y sólo entonces comparar.

https://robwhess.github.io/opensift/

https://www.analyticsvidhya.com/blog/2019/10/detailed-guide-powerful-sift-technique-image-matching-python/#:~:text=SIFT%20ayuda%20a%20localizar%20la%20detección%2C%20de%20escenas%2C%20detección%2C%20etc.
 
Maxim Dmitrievsky #:

lo mismo con los rasgos para los bots.

¡Exacto! No me preocupa el elefante.

El mercado no es estático, nunca será como ayer.
 
mytarmailS #:
¡Exacto! No me preocupa el elefante.
.

El mercado no es estático. Nunca será como ayer.

Sí, me pregunto.

El ejemplo muestra un modelo de un elefante, pero si estas partes se utilizan para hacer un camello, probablemente no va a funcionar.

---

Hay modelos similares en las cartas del mercado todo el tiempo: "elefantes", "camellos", "conejitos". Pero todos ellos son de diferentes tamaños. Pero los modelos son reales y se repiten todo el tiempo.

A mi edad es difícil profundizar en procesos analíticos tan complejos como los elefantes, pero diré que es interesante.

 
Uladzimir Izerski #:

Sí, es interesante.

El ejemplo muestra un modelo de elefante, pero si haces un camello con estas partes, probablemente no funcione.

Bueno, el camello no tiene colmillos ni probóscide, y el elefante tiene jorobas, ¿qué sentido tiene hacer un camello a partir de un elefante?
 
Uladzimir Izerski #:


En las cartas del mercado aparecen constantemente modelos similares: "elefantes", "camellos", "conejitos". Pero todos ellos son de distintos tamaños. Pero los modelos existen en la realidad y se repiten constantemente.

Pero un humano puede verlos, pero un algoritmo primitivo no.
Porque el algoritmo primitivo no tiene invariancia al tamaño, la inclinación, la curva, etc.... pero el cerebro sí
A grandes rasgos, no importa cómo se enseñe a la IA, ésta sólo sabe lo que ha visto antes y sólo espera lo que ha visto antes, y el mercado nunca se repite exactamente.

Pero esto se puede corregir añadiendo invariancia al algoritmo y existen tales algoritmos como los que he mostrado más arriba... Pero es jodidamente difícil para un humanista como yo.
 
mytarmailS #:
Pero un humano puede verlos, pero un algoritmo primitivo no.
Porque el algoritmo primitivo no tiene invariancia al tamaño, inclinación, curva, etc..... pero el cerebro sí.
A grandes rasgos, no importa cómo le enseñes a la IA, sigue sabiendo sólo lo que ha visto antes y esperando sólo lo que ha visto antes, y el mercado nunca se repite exactamente.

Pero esto se puede corregir añadiendo invariancia al algoritmo y existen tales algoritmos como los que he mostrado más arriba... Pero es jodidamente difícil para un humanista como yo.

Por supuesto, el mercado no es el mismo modelo que en el ejemplo de un elefante prefabricado que fue desmontado y puesto en la estantería por partes.

El propio principio de construcción es interesante.

Un gráfico de mercado consta de nodos y partes. La tarea consiste en formar correctamente el modelo. Y el modelo debe conocerse de antemano. Tengo modelos 2D formados. Necesito formar un modelo volumétrico. No encuentro gente que esté interesada en ello. Se entiende el modelo, pero no se sabe cómo ejecutarlo.