L'Apprentissage Automatique dans le trading : théorie, modèles, pratique et trading algo - page 1734
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
Eh bien, oui, les chats sur la photo sont différents, mais le réseau les reconnaît et les distingue des chiens en quelque sorte ...
Lisez quelque chose sur les principes de la reconnaissance des formes, les réseaux convolutifs, leur fonctionnement, etc. Vos questions sont très immatures, et quand vous les lirez, vous comprendrez leur stupidité.
Vos réponses ne sont pas mûres non plus. Une fois encore, l'objet détruit présente de trop grandes différences par rapport à l'ensemble, et l'entropie de son image ne peut donc pas être surmontée en augmentant l'échantillon d'entraînement. Cet échantillon pourrait devenir infini ou être mélangé à d'autres échantillons. C'est évident, même pour moi.
Vos réponses ne sont pas non plus très matures. Une fois de plus, l'objet détruit est trop différent de l'ensemble, et l'entropie de son image ne peut donc pas être surmontée en augmentant l'échantillon d'entraînement. Cet échantillon pourrait devenir infini ou être mélangé à d'autres échantillons. C'est évident, même pour moi.
Évident mais pas très visible ;) Si vous voulez entraîner un réseau à reconnaître une maison détruite, entraînez-le sur des maisons détruites. Ne lui donnez pas une maison entière et ne vous demandez pas comment il représenterait une maison détruite... Évident !!!
C'est ce que je dis depuis le début.
mytarmailS:Peu importe que la maison soit cassée ou non, le réseau apprend ce qu'il apprend.
Évident mais pas très visible). Si vous voulez entraîner un réseau à reconnaître une maison détruite, vous l'entraînez sur des maisons détruites. Vous ne lui donnez pas une maison entière et vous vous demandez comment il pourrait représenter une maison détruite... C'est évident !!. Release Konow:
Retag Konow :
Vos réponses ne sont pas très matures non plus. Une fois encore, un objet détruit est trop différent de l'ensemble, de sorte que l'entropie de sa représentation ne peut être surmontée en augmentant l'échantillon d'entraînement. Cet échantillon pourrait devenir infini ou être mélangé à d'autres échantillons. C'est évident, même pour moi.
En fait, l'algorithme de destruction des murs en briques et sa visualisation ont été réalisés il y a longtemps, la question est la connaissance des facteurs de destruction, si nous les connaissons, la maison est restaurée)))).
Évident mais pas très visible). Si vous voulez entraîner un réseau à reconnaître une maison détruite, vous l'entraînez sur des maisons détruites. Vous ne lui donnez pas une maison entière et vous vous demandez comment il pourrait représenter une maison détruite... Evidence !!!
C'est ce que je dis depuis le début.
mytarmailS:Qu'importe que la maison soit cassée ou non, le réseau apprend ce qu'on lui enseigne.
Utilisez votre imagination pendant une seconde. Combien de variantes de cambriolage peut-il y avoir ? Infini. Cela signifie que vous pouvez lui apprendre à reconnaître un ou plusieurs types de foyers brisés, mais pas tous. Si la forme de destruction est inconnue à l'avance, quel est l'intérêt d'entraîner le réseau et d'espérer que les maisons effondrées qu'il rencontre entrent dans l'échantillon d'entraînement ? Le réseau fonctionnera donc avec un succès aléatoire et fluctuant et un pourcentage de reconnaissance imprévisible.
Je pense qu'une approche différente est nécessaire.
En fait, l'algorithme de destruction d'un mur de briques et sa visualisation ont été réalisés il y a longtemps, la question est de connaître les facteurs de destruction, si nous les connaissons, alors la maison est restaurée)))).
L'entropie est une mesure du chaos qui est présent dans tout objet effondré. Restaurer l'ensemble à partir de son état chaotique est une lutte contre l'entropie. Mais, avons-nous une formule ? Nous le faisons. Cette formule est l'intelligence. Il assemble une image unique à partir des pièces, en contournant le chaos et le désordre. Il met les parties ensemble dans une équation et obtient l'objet entier comme résultat.
Conclusion : l'intelligence utilise le NS dans la reconnaissance, mais ne dépend pas linéairement de l'échantillon d'apprentissage. En symbiose avec l'intellect, l'efficacité des SN est multipliée.
Il assemble une seule image à partir des pièces,
en contournant le chaos et le désordre.
Il met les parties ensemble dans une équation et obtient le sujet entier comme résultat.
Analyse spectrale ! !! :)
Analyse spectrale ! !! :)
En quelque sorte...))
faites-le à votre façon, mais faites-le à l'extérieur
veulent voir
ça ne marche pas) mais c'était amusant...
Le mien fonctionne mieux que l'autre.
Bref, cette méthode ne fonctionne pas) mais c'était amusant...
Le mien fonctionne mieux, c'est-à-dire
triste )
lag augmenté ?, chaque minute est trop mince peut êtreIl vous suffit de vérifier la méthode. J'ai essayé de m'en occuper moi-même, je n'y arriverai jamais, ça peut prendre beaucoup de temps, je me souviens de R, je faisais quatre heures de datalogging alors que je n'étais pas habitué, il n'y a personne pour me conseiller. Et ce que je fais à 100 % comportera beaucoup d'erreurs. Et je dois créer un script en R qui implémente l'algorithme complet ci-dessus et le vérifier dans la vie réelle. Même si le paramètre le plus difficile TC comme "GARANTIE" sera 3 sur 5 peut déjà être gagné.
J'aurais déjà su comment le faire. Et je prévoyais un maximum d'une inflexion et un réentraînement sur chaque mesure.
Je diviserais cette tâche en 3 parties : la préparation des données, la ventilation en composants et la prévision. Je sais comment faire les 2 premiers, mais la prévision est un problème. J'aimerais utiliser NS, mais c'est un domaine ouvert, de plus, je ne m'y suis pas engagé depuis NS.
Si je veux jouer avec rapidement, je peux utiliser des assistants et faire des prédictions en utilisant ces indicateurs. Les paramètres doivent être ajustés dans l'optimiseur.
Je ne comprends pas, ces chiffres de Lysaju montrent quoi, la relation entre les deux composantes de l'expansion ? C'est-à-dire qu'il y a deux composantes dans l'expansion qui sont décalées l'une par rapport à l'autre ? Sin et cos conditionnels. C'est redondant, vous pourriez le remplacer par quelque chose avec une phase initiale différente.