L'apprentissage automatique dans la négociation : théorie, modèles, pratique et algo-trading - page 2661
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
Le système d'information de l'entreprise a été mis en place par le ministère de l'économie et de l'industrie.
Pour les robots ML...
Article intéressant https://pair-code.github.io/understanding-umap/
Qu'est-ce qui est amusant ?
et quel est l'intérêt d'une telle démarche ?
Ce que je veux dire, c'est qu'il est assez difficile de reconnaître quelque chose avec une décomposition "humap".
Par exemple, pour qu'un algorithme de reconnaissance se rende compte que deux pattes avant constituent une classe de "patte avant".
il faut faire beaucoup de transformations...
1) diviser les composants "unmap" en morceaux (clusters). Il est peu probable que "dbscan" y parvienne correctement (pour cette tâche).
2) variation de la taille des pattes de mammouths pour qu'il y ait invariance (nous omettons cette étape ici)
3) mise en correspondance correcte des pattes entre elles selon un algorithme inconnu + centrage
4) rotation des pattes pour une position plus correcte
5) mise en miroir des pieds pour une position plus correcte
6) il faut maintenant aligner les jambes, supprimer les principales distorsions. Je pense qu'il est possible de décomposer les jambes par la méthode des composantes principales et d'en retirer la première composante principale, ce qui, en théorie, devrait supprimer les principales distorsions (je ne l'ai pas illustré).
7) Ce n'est qu'ensuite que l'on peut mesurer la distance/proximité entre les pattes pour se rendre compte qu'elles sont similaires et qu'elles peuvent être classées dans une seule classe, celle des "pattes avant".
Ce que je veux dire, c'est qu'il est assez difficile de reconnaître quelque chose avec une décomposition "yumap".
Par exemple, pour que l'algorithme de reconnaissance se rende compte que deux jambes avant constituent une classe "jambe avant".
il faut faire beaucoup de transformations.
Pauvre éléphant.
Je suis déjà comme cet éléphant, avec une tête carrée)))
Je suis déjà comme cet éléphant, avec une tête carrée)))
Oui, en théorie tout est clair, par exemple, où sont ses pattes et où est sa tête, mais pour l'algorithme rien n'est clair, juste un ensemble de points.
C'est la même chose avec les signes pour les bots.
Oui, en théorie, tout est clair, par exemple, où sont ses jambes et où est sa tête, mais pour l'algorithme, rien n'est clair, juste un ensemble de points.
c'est la même chose pour les caractéristiques des robots.
C'est pourquoi nous avons besoin d'invariance au sens large, comme dans la vision par ordinateur, afin que l'algorithme lui-même puisse segmenter, puis étendre, rétrécir, tourner, déformer et seulement ensuite comparer.
https://robwhess.github.io/opensift/
https://www.analyticsvidhya.com/blog/2019/10/detailed-guide-powerful-sift-technique-image-matching-python/#:~:text=SIFT%20aide%20à%localiser%20le%20local,détection%2C%20scène%20détection%2C%20détection%2C%20etc.même chose avec les traits pour les bots.
Exactement ! Je ne m'inquiète pas pour l'éléphant.
.
Oui, je m'interroge.
L'exemple montre un modèle d'éléphant, mais si ces pièces sont utilisées pour fabriquer un chameau, cela ne fonctionnera probablement pas.
---
Il y a toujours des modèles similaires sur les cartes du marché : "éléphants", "chameaux", "lapins". Mais ils sont tous de tailles différentes. Mais les modèles sont réels et se répètent sans cesse.
À mon âge, il est difficile d'approfondir des processus analytiques aussi complexes que les éléphants, mais je dirai que c'est intéressant.
Oui, c'est intéressant.
L'exemple montre un modèle d'éléphant, mais si vous faites un chameau à partir de ces pièces, cela ne fonctionnera probablement pas.