Рассмотрены функции для работы с основными статистическими распределениями, реализованными в языке R. Это распределения Коши, Вейбулла, нормальное, логнормальное, логистическое, экспоненциальное, равномерное, гамма-распределение, центральное и нецентральные распределения Бета, хи-квадрат, F-распределения Фишера, t-распределения Стьюдента, а также дискретные биномиальное и отрицательное биномиальные распределения, геометрическое, гипергеометрическое и распределение Пуассона. Есть функции расчета теоретических моментов распределений, которые позволяют оценить степень соответствия реального распределения модельному.
MQL5で機械学習を実装する方向で動いていることは、すでにお伝えしたとおりです。
近々、複素数のネイティブサポート（準備完了）、スピードベクターとマトリックスをリリースする予定です。これはまさに言語 本来の機能 であり、ライブラリではありません。
そして、大規模なMLメカニックを搭載し、TensorFlowに近い機能を持たせる予定です。これによって、まったく別次元のネイティブロボットを書くことができるようになります。
それは面白いのですが、同じCatBoostでも、カテゴリ予測変数のサポートやツリー構築の異なるバリエーション、さらに多階級化のモデルインタプリタが必要なのです。私は、現代の業績を利用するための機能、そしてそれを再現・改善・再利用するための機能が必要だと考えています。
クラスタリング、分類、変換、次元の圧縮、変換、予測変数の選択のさまざまな方法で構築され、取引に調整することが有用であることができます。
これは面白いのですが、カテゴリ予測因子と異なる木の変種、それに多階級化をサポートするCatBoostモデルインタプリタが必要です。現代の業績を利用するための機能、そしてそれを再現・改善・リサイクルするための機能が必要だと考えています。
クラスタリング、分類、変換、次元圧縮、変換、予測変数の選択など、さまざまな方法が組み込まれており、取引の補正に役立てることができます。
すべてステップバイステップ。
Pythonを含む従来の言語（単純な型のネイティブ配列すらない）にはないもの（α版では複素数、ベクトル、行列）をすでに実現しているのです。
実際には、TensorFlow内のフィルターやエンジンは、超複雑なものではありません。それらは、最初のプロジェクトに内在するあらゆるものとの互換性という負担なしに、創造的にMQL5へ移植することができるのです。
私たちはこれまで、Rから約500の関数を MQL5のソースコードに移し、発表してきました。そして、MQL5では3～50倍の速さになっています。
MQL5で機械学習を実装する方向で動いていることは、すでにお伝えしたとおりです。
近々、複素数のネイティブサポート（準備完了）、スピードベクターとマトリックスのリリースを予定しています。これはまさに言語 本来の機能 であり、ライブラリではありません。
そして、大規模なMLメカニックを搭載し、TensorFlowに近い機能を持たせる予定です。これによって、まったく別次元のネイティブロボットを書くことができるようになります。
WinMLやDirectML、あるいは独自のソリューションを使用するのでしょうか？
ONNXのサポートはあるのでしょうか？
MQL5で機械学習を実装する方向で動いていることは、すでにお伝えしたとおりです。
近々、複素数のネイティブサポート（準備完了）、スピードベクターとマトリックスのリリースを予定しています。これはまさに言語 本来の機能 であり、ライブラリではありません。
そして、大規模なMLメカニックを搭載し、TensorFlowに近い機能を持たせる予定です。これによって、全く別の次元のネイティブロボットを書くことができるようになります。
レナト・ファットフーリン
近々、複素数のネイティブサポート（準備完了）、スピードベクターとマトリックスのリリースを予定しています。
matlabやnumpyのようにループなしで配列を扱う機能（数値による乗算、要素ごとの乗算、スライス）は非常に必要です。
matlabやnumpyのようにループなしで配列を扱う機能（数値による乗算、要素ごとの乗算、スライス）は非常に必要です。
これは言語レベルではすでに利用可能です。
WinMLやDirectMLを使うのか、それとも独自のソリューションなのか？
ONNXのサポートはあるのでしょうか？
まず、新しいデータ型とそれに対する操作のネイティブサポートを、言語で直接行っています。
OpenCL/マルチスレッドによる演算の高速化は、開発者にとっては隠蔽され透過的なものになります。
WinML/ONNXについては、後ほど検討します。
行列 演算や ML演算にOpenCLを 自動的 かつ透過的に適用することを計画しています。
実際、私たちは、膨大な数の設定可能なCUDAやtensorflowのライブラリを使わずに、最大限の力を絞り出そうとしているのです。
OpenCLは自動的にベクターに適用されるのでは？
つまり、複数のベクトルを扱う場合、行列を使う方が合理的なのでは？
それともOpenCLでもベクターがサポートされるのでしょうか？
追加されました。
CPUやGPUの ハードウェアリソースは、用意されているものの中から自動的に選択されるのでしょうか？
それとも、どのリソースを使うかを決めることができるようになるのでしょうか？
OpenCLは自動的にベクターに適用されるのでは？
つまり、複数のベクトルを扱う場合、行列を使った方が合理的なのでは？
それともOpenCLでもベクターがサポートされるのでしょうか？
追加されました。
CPUやGPUの ハードウェアリソースは、用意されているものの中から自動的に選択されるのでしょうか？
それとも、どのリソースを使うか判断できるようになるのでしょうか？
シングルベクターに高コストのOpenCLを使う意味はあまりない。
効果を見出したら、それを応用する。OpenCLはそれ自体が目的ではありません。
OpenCLを使わない行列演算は、最初はベータ版を待ちましょう。基本的な機能のデバッグが終わったら、次は高速化に移ります。
ストレステストやベンチマークなど、すべてが網羅されていることは間違いないでしょう。