L'Apprentissage Automatique dans le trading : théorie, modèles, pratique et trading algo - page 1702

 
Aleksey Vyazmikin:

Si nous parlions de régression, ce serait plus clair - c'est probablement une bonne façon de voir les choses.

C'est un exemple que je vous ai donné pour la classification, mais il y a aussi un mode pour la régression, je ne sais pas comment ça marche. Je ne sais pas comment ça marche, et je ne fais que supposer. Je pense que Doc pourrait vous expliquer plus en détail.
 
ReTag Konow:
Je suis d'accord. La NS est plutôt un composant de l'IA, comme une vis ou un écrou dans une voiture.
C'est vrai, le SN est un composant de l'IA. En plus du réseau neuronal, il y a un certain nombre d'algorithmes qui servent ce réseau neuronal, et collectivement, c'est un système d'IA. Exactement un système. Mais un système d'IA ne peut exister sans un réseau neuronal.
 
Mihail Marchukajtes:
Une autre de vos erreurs de débutant. NS est très exigeant pour l'échantillon de formation et est un outil plutôt subtil, où une erreur mineure dans la préparation des données (mauvaise virgule) conduit à un résultat diamétral. Essayez de moins tirer vos propres conclusions, et écoutez mieux ce qu'on vous dit.
Pour l'instant, je n'identifie pas l'IA et la NS. Vous vous êtes dit qu'il ne fallait pas les confondre. La NS est un outil qui peut être utilisé dans l'IA, mais à elle seule, elle ne s'en approche pas. Vous sembliez d'accord avec cela.
 
Mihail Marchukajtes:
D'accord, le NS est un composant de l'IA. En plus du réseau neuronal, il existe un certain nombre d'algorithmes qui servent ce réseau neuronal, et l'ensemble constitue un système d'IA. Exactement un système. Mais un système d'IA ne peut exister sans un réseau neuronal.
Donc, c'est la conclusion à laquelle nous sommes arrivés.
 
Rehtag Konow:
Pour l'instant, je n'identifie pas l'IA et la NS. Vous avez dit vous-même qu'il n'y a pas lieu de confondre les deux. La NS est un outil qui peut être utilisé dans l'IA, mais à elle seule, elle ne s'en approche pas. Vous sembliez d'accord avec cela.
Je vais même vous en dire plus, j'ai eu de tels cas où je n'ai eu qu'à appuyer sur le bouton d'optimisation, et ensuite je me suis rendu compte que cette étape, il y a 20 opérations, j'avais fait une erreur et qu'en fait j'avais une erreur dans les données et j'ai dû tout préparer à nouveau, parce que j'avais bien compris qu'il ne devait pas y avoir d'erreur. Une virgule au mauvais endroit et tout ça pour rien. Et cela signifie des heures et du temps de machine, et surtout le résultat.
 
mytarmailS:

L'IA doit-elle même interagir avec les humains ?

Je pense qu'il le faut. Sinon, à quoi bon ?
 
Konow:
C'est donc la conclusion à laquelle nous sommes arrivés.
Exact. Un système d'intelligence artificielle est un réseau neuronal entouré d'algorithmes de service. Prétraitement, analyse, méthodes de recyclage, etc.
 
elibrarius:

Qu'est-ce qu'il y a de mal à ça ? Catbust contourne la plupart de ses concurrents.
Par exemple, je n'aimais pas l'idée d'un arbre symétrique. Il est évident que ce n'est pas la meilleure solution de diviser 2 nœuds différents par un seul prédicteur et par le même niveau. A moins qu'elle ne soit multipliée par 10.
Heureusement qu'ils ont ajouté 2 nouvelles méthodes plus classiques.

Elle le contourne probablement, mais là, dans les concours, l'échantillonnage est stationnaire, il n'y a pas de caractéristiques particulièrement mauvaises, c'est-à-dire que les conditions ne sont pas celles avec lesquelles nous travaillons, et je réfléchis à la meilleure façon de préparer les données en tenant compte de ces caractéristiques. (La solution n'est pas encore sous sa forme définitive, mais c'est une tâche importante).

Les différents modèles d'arbres sont bons, mais pour l'instant, ils ne peuvent pas être téléchargés dans un fichier séparé, et ne peuvent donc pas être intégrés dans l'EE, ce qui est mauvais.

Je n'aime pas l'absence de post-traitement dans le boosting - quand, à la fin de la formation, le modèle est simplifié en éliminant les arbres faibles. Je ne vois pas pourquoi cela n'est pas fait.

Les feuilles des arbres individuels dans le boosting sont faibles - faible complétude - moins de 1% et il est mauvais que ce paramètre ne puisse pas être ajusté, tandis que la distribution du signal comptable par échantillon n'est pas du tout effectuée - en conséquence, nous apprenons en rejetant. Beaucoup de nuances et ici la solution peut être un bon prétraitement des prédicteurs. Et bien sûr, il est préférable de se brancher et de modifier le code - personne ne comprend le C++ au bon niveau ?

 
Rechtg Konow:
Je pense qu'il doit le faire. Sinon, à quoi bon ?

Lorsque vous pensez (votre intellect résout un problème), devez-vous communiquer avec quelqu'un à ce moment-là ?

Vous n'arrivez toujours pas à vous débarrasser de votre définition "vermoulue" de l'intelligence, alors nous communiquons dans des langues différentes à présent.

 
Mihail Marchukajtes:
Je vous dirai même plus, j'ai eu de tels cas où je n'ai eu qu'à appuyer sur le bouton d'optimisation et ensuite je me suis rendu compte que cette étape, il y a 20 opérations, j'avais fait une erreur et en fait j'avais une erreur dans mes données et j'ai dû tout préparer à nouveau parce que j'avais clairement compris qu'il ne devait pas y avoir d'erreur. Une virgule au mauvais endroit et tout ça pour rien. Cela signifie des heures de machine, du temps et, surtout, des résultats.
N'est-ce pas un inconvénient d'être trop exigeant envers les données ? J'ai entendu dire que les NS reconnaissaient des panneaux de signalisation erronés s'ils avaient un petit autocollant sur le côté. Peut-être que cette super-sensibilité n'est pas nécessaire ?