L'apprentissage automatique dans la négociation : théorie, modèles, pratique et algo-trading - page 1703
Vous manquez des opportunités de trading :
- Applications de trading gratuites
- Plus de 8 000 signaux à copier
- Actualités économiques pour explorer les marchés financiers
Inscription
Se connecter
Vous acceptez la politique du site Web et les conditions d'utilisation
Si vous n'avez pas de compte, veuillez vous inscrire
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 "vermiforme" de l'intelligence, alors nous communiquons maintenant dans des langues différentes.
Une telle surcharge de données ne semble-t-elle pas être un inconvénient ? J'ai entendu dire que les NS reconnaissant les panneaux de signalisation se trompent s'ils ont un petit autocollant sur le côté. Peut-être que cette super-sensibilité n'est pas nécessaire ?
C'est un peu différent. Lorsque vous faites une erreur d'enseignement, vous lui apprenez essentiellement quelque chose que vous ne connaissez pas. Rappelez-vous que le NS est comme un enfant, il a besoin qu'on lui dise exactement ce que vous voulez qu'il fasse. Après tout, le résultat que vous allez interpréter en fonction de vos idées sur l'apprentissage, et en réalité elles étaient floues, comme une option.
Conseil du jour. Placez les vecteurs d'entrée sous forme de sphère à partir de l'origine du système de coordonnées ; cela permet d'éviter toute ambiguïté et toute incohérence.
Peut-être que ma compréhension de l'IA est faible. Mais, en général, l'IA est précisément un système qui interagit avec les humains. Si l'IA n'interagit pas avec les humains en fournissant une interface vocale et visuelle conviviale, et qu'elle fonctionne en mode furtif, il s'agitalors d'un simple programme. N'est-ce pas ?
OUI !!!!!
C'est exactement ce que je dis !
l'intellect est unalgorithme auto-modifiant, auto-adaptatif de choix, de transformation de l'information, en raison de l'action de laquelle les modules d'information émergent qui n'étaient pas précédemment connus du sujet et ne sont pas entrés dans lui dans une forme prête de l'extérieur.
Ce n'est pas la raison, c'est la seule façon connue de penser, et vous la confondez avec la raison.
Vous confondez la selle du vélo avec le vélo lui-même et vous voulez que la selle roule !
C'est un peu différent. Lorsque vous faites une erreur d'enseignement, vous lui apprenez essentiellement quelque chose que vous ne connaissez pas. N'oubliez pas que le NS est comme un enfant, il a besoin qu'on lui dise tout ce que vous voulez qu'il fasse. Après tout, vous interpréterez les résultats dans le cadre de vos idées sur l'apprentissage, et en réalité ils sont flous, comme une variante.
Conseil du jour. Placez les vecteurs d'entrée sous la forme d'une sphère à partir de l'origine du système de coordonnées, cela vous permet d'obtenir une absence d'ambiguïté et d'éliminer les incohérences.
Ok. Je sais que NS est formé pour détecter un invariant récurrent dans les données. Il s'agit essentiellement d'une approche statistique. Alors pourquoi une petite erreur ponctuelle a-t-elle un impact aussi important sur la formation ? Une personne ne s'en apercevra pas et l'oubliera, mais la formation du réseau tombera en panne ?
Une erreur n'est pas seulement une erreur. Une petite erreur peut avoir un grand impact.
Et il n'est pas demandé au SN de recueillir des données répétitives. On lui demande d'identifier des modèles cachés pour obtenir le bon résultat en l'absence de données répétitives. Comprendre la généralisation. Lorsque nous avons un domaine fini de données, mais que nous ne disposons que de 50% de ces données. Le réseau apprend et l'identification d'un modèle peut construire le reste des données qu'il n'a pas vues. C'est comme si l'on reconstruisait une vieille séquence vidéo avec des pixels manquants que le réseau dessine de lui-même.
OUI !!!!!
C'est exactement ce que je dis !
l'intellect est unalgorithme auto-modifiant, auto-adaptatif de choix, de transformation de l'information, en raison de l'action de laquelle les modules d'information émergent qui n'étaient pas précédemment connus du sujet et ne sont pas entrés dans lui dans une forme prête de l'extérieur.
Ce n'est pas la raison, c'est la seule façon connue de penser, et vous la confondez avec la raison.
Vous confondez la selle d'un vélo avec le vélo lui-même et vous voulez que la selle roule !
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 de construction d'arbres sont bons, mais pour le moment, ils ne peuvent pas être téléchargés dans un fichier séparé, et ne peuvent donc pas être intégrés dans le conseiller expert, ce qui est mauvais.
Je vous ai donné un lien pour voir les écarts à partir des données du JOT. C'est là que le modèle complet est téléchargé dans un fichier. Ensuite, les splits sont lus à partir de celui-ci.
Je n'aime pas l'absence de post-traitement dans le boosting - lorsqu'une fois la formation terminée, le modèle est simplifié en éliminant les arbres faibles. Je ne comprends pas pourquoi ils ne le font pas.
Dans le boosting, par définition, tous les arbres sont importants. Chaque étape successive affine toutes les précédentes. Si vous éliminez un arbre au milieu, tous ceux qui suivent fonctionneront avec des données incorrectes - vous devez les recycler sans tenir compte de l'arbre éliminé. Le premier arbre sera une réplique très fidèle de l'arbre abandonné.
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,
Oui. Les feuilles individuelles du bruant sont incomplètes, car elles sont complétées par les réponses des feuilles d'autres arbres de raffinage. Et seul le cumul des réponses, par exemple 100 arbres, donne la bonne réponse.
Essayer d'obtenir quelque chose de valable à partir d'une seule feuille du modèle de dynamisation est impossible.
Les 100 réponses de 100 arbres sont additionnées dans le boosting, chacune donne par exemple 0,01 au total = 1. La valeur de 1 feuille = 0,01 - que voulez-vous en tirer ? Il n'y a rien dedans. Seule la somme de 100 feuilles donnera la bonne réponse.
En effet, là le 1er arbre est fort et donne par exemple 0,7, les autres ramènent la somme plus proche de 1. Si l'on ne considère que les feuilles du premier arbre séparément, mais je pense qu'elles sont plus faibles que n'importe quel arbre de la forêt aléatoire, en raison d'une profondeur moindre.
La forêt aléatoire a une moyenne, par exemple, chaque feuille de 100 arbres = 1, la moyenne aussi = 1. Dans celui-ci, les renards sont complets, mais avec une variation aléatoire. Mais une foule de 100 réponses, donne une moyenne comme réponse raisonnablement précise.
Comme un vrai commerçant, j'ai pris deux élans et j'ai fait recâbler mon modèle. Le commerce n'est pas une activité rémunératrice :-)
Je ne suis pas confus. J'ai clairement séparé le programme sur les algorithmes conventionnels, sur les réseaux neuronaux, l'IA et l'intelligence.
J'abandonne...