トレーディングにおける機械学習：理論、モデル、実践、アルゴトレーディング - ページ 1733

[mytarmailS]

マキシム・ドミトリエフスキー：

すべてがうまくいく。フローティング・タイム・ウィンドウを考えなければならない。固定された数字には限界があると見ています。

まあ、微細なパターンが不連続/一様に「散りばめられている」のであれば、クラスタリングの意味はないと思うので、そのままにしてテストしてみてください

[Mihail Marchukajtes]

ただ、このシステムのアキレス腱は、完全な円形かそうでないかを見極めることができないことだと思っています。

[Maxim Dmitrievsky]

mytarmailS:

まあ、分単位でムラ／均一に「散らばった」パターンなら、クラスタリングの意味がないと思うので、とりあえずそのままにしてテスト

通常、数分単位でグループ化されています。

[Mihail Marchukajtes]

とにかく、組織的には私は低空飛行のスタートです......子供の頃の夢である株を考えることに関して。:-)))))

[mytarmailS]

マキシム・ドミトリエフスキー

は、通常、数分間ずつグループ化されます

好きなようにやるが、OOSはやる

見たい

[Реter Konow]

これはMOの専門家への質問ですが、NSに画像からアイテムを認識することを教えることができることは知られていますが、そのアイテムは通常の組み立てられた状態でなければなりません。しかし、事故後の車、解体途中の家、竜巻後の家具など、壊れたアイテムを認識することをNSに教えることは可能でしょうか？ 人間なら一発でできる。

[mytarmailS]

レグ・コノウ
これはMoD通の方への質問ですが、NSに画像から物品を認識するように教えることができることは知られていますが、その物品は通常の組み立てられた状態でなければなりません。しかし、事故後の車、解体途中の家、竜巻後の家具など、壊れたものをNSに認識させることはできるのでしょうか？人間なら一発でできる。

家が壊れているかどうかは関係なく、ネットワークは教えられたことを学習します。

[Реter Konow]

mytarmailS:

家が壊れているかどうかは関係なく、ネットワークは教えられたことを学習する

網羅的です))

家というものは、必ずいろいろな壊れ方をします。家全体と壊れた家では、大きな違いがあります。家全体が数個の色彩イメージを持っていれば、壊れた家も何にでも見えてしまうのです。それなのに、人はそれを簡単に認識してしまう。

人間はイメージのエントロピーを簡単に扱うことができますが、NSはどうでしょうか？

[Alexander_K2]

市場増分の確率分布が CBガウス分布と指数分布（一般的にはエルランジア分布）の積であることをどこかで（1ヶ月以上取引していないので、どこかは忘れました）示しました。

Erlangの分布はティッククオート間の時間間隔を担当し、そのような数値のジェネレータは次のようになります。

ここで、ラムダはイベントの流れの強さ（引用）である。

Lambda=constの場合、プロセスは定常であるが、市場フローの強度が異なる時点、すなわちLambda=f(t)で一般に非定常プロセスが決定される。

したがって、定常的なプロセスを区別するためには、同じフラックス密度を持つBPの別々のセクションを全体として考える必要があるのです。

したがって、BPを1日の中の時間に分割し、その時間を「糊付け」する試みは、明らかに生きる権利がある。

[mytarmailS]

タグコノウ：

網羅的です))

家というものは、必ずいろいろな壊れ方をします。家全体の間に ...

そうですね、写真に写っている猫は違うのですが、ネットワークがそれを認識して、なんとなく犬と区別しているような...。

パターン認識の原理、畳み込みネットワーク、その仕組みなど、何か読んでみてください。 あなたの質問はとても未熟で、読めばその愚かさがわかると思います。