나는 한때 TA를 가르쳤다. MESI에서는 계량 경제학과 수학 통계를 가르쳤습니다. 제 생각에는 제가 가르치지 않은 세 부서에서 가르쳤습니다. 유익한 수학적 방법은 나에게 알려져 있지 않습니다. 숙련된 손에 의해 이익을 가져올 수 있는 수학적 방법은 여러 번 나에게 알려져 있습니다. 제목, 책 목록. Batch mate.... 구글링을 하거나 내 프로필을 보고 싶지 않다면 EViews나 R을 사용하세요. 그러나 지표 목록 과 같은 모든 도구입니다.
난 성배가 없어. 나는 TA와 수학 통계를 사용하는 데 개인적인 기술을 가지고 있습니다. 나는 이 기술을 누구에게도 가르치지 않을 것이다.
나는 한때 TA를 가르쳤다. MESI에서는 계량 경제학과 수학 통계를 가르쳤습니다. 제 생각에는 제가 가르치지 않은 세 부서에서 가르쳤습니다. 유익한 수학적 방법은 나에게 알려져 있지 않습니다. 숙련된 손에 의해 이익을 가져올 수 있는 수학적 방법은 여러 번 나에게 알려져 있습니다. 제목, 책 목록. Batch mate.... 구글링을 하거나 내 프로필을 보고 싶지 않다면 EViews나 R을 이용하세요. 그러나 지표 목록과 같은 모든 도구입니다.
난 성배가 없어. 나는 TA와 수학 통계를 사용하는 데 개인적인 기술을 가지고 있습니다. 나는 이 기술을 누구에게도 가르치지 않을 것이다.
나는 내가 철저하게 대답했다고 생각한다.
먼저 "TA - 이것은 피노키오를 위한 것이므로 중요한 공기로 창고를 배수합니다." 그리고 이제 "나는 TA와 수학 통계를 사용하는 개인적인 기술을 가지고 있습니다. 이 기술을 누구에게도 가르치지 않을 것입니다."
확인. 왜 말을 귀찮게. 다음은 신경망에 대한 제 개인적인 의견입니다. 2006년부터 이를 시장에 적용하기 위해 공부를 시작했습니다. 그리고 6년 동안 나는 네트워크 자체가 입력 데이터 준비만큼 중요하지 않다는 결론에 도달했습니다. 더욱이, 입력 데이터는 차원을 줄이고 시간 축과 가격을 따라 왜곡에 불변성을 도입하기 위해 동일한 TA로 변환되어야 합니다. 또한 네트워크에서 원하는 것이 무엇인지, 네트워크에서 구현해야 하는 입력 및 출력 시스템을 미리 알고 있어야 합니다. 예를 들어, 네트워크가 지원/저항 수준의 반등/돌파에서 거래하기를 원하면 입력 데이터가 그에 따라 제시되어야 합니다. 그러나 네트워크에 필요한 입력 정보를 수집하여 나중에 훈련할 수 있고 우리를 위해 결정을 내리면 네트워크 자체에 대한 필요성이 사라집니다. 우리는 이미 들어오고 나가는 방법을 알고 있기 때문입니다. 네트워크 자체가 가격을 변환하고 이를 사용하는 방법을 알아낼 것이라고 기대하면서 네트워크 입력에 가격을 입력하려는 시도는 재앙적인 결과로 이어집니다.
그런 다음 문제가 발생합니다. 네트워크가 전혀 필요하지 않으며 연구할 가치가 있습니까? 모든 사람은 자신의 답을 가지고 있습니다. 예를 들어, 네트워크 교육 에 시간을 낭비했다고 생각하지 않습니다. 그들은 내 작업에 유용했습니다. 또한 우리의 뇌는 동일한 신경망입니다. 따라서 거래에서 그것의 유용성을 부정하는 것은 두뇌의 유용성을 부정하는 것과 같습니다. 여기서 문제는 우리의 두뇌가 어떻게 같은 가격대를 받아들이고, 중요한 점에 집중하고, 세부 사항에서 추상화하고, 결정을 내리는지 여전히 이해하지 못한다는 것입니다. 교과서의 간단한 신경망으로는 이 동작을 모델링할 수 없습니다. 우리가 그러한 행동을 시뮬레이션할 수 있다 하더라도 그러한 "생물학적" 네트워크의 학습 및 작동 속도는 우리의 두뇌보다 훨씬 느리고 거래에 적용할 수 없습니다.
먼저 "TA - 이것은 피노키오를 위한 것이므로 중요한 모양으로 저장소를 배수합니다."라고 말합니다. 그리고 이제 "나는 TA와 수학 통계를 사용하는 개인적인 기술을 가지고 있습니다. 이 기술을 누구에게도 가르치지 않을 것입니다."
확인. 왜 말을 귀찮게. 다음은 신경망에 대한 개인적인 의견입니다. 2006년부터 이를 시장에 적용하기 위해 공부하기 시작했습니다. 그리고 6년 동안 나는 네트워크 자체가 입력 데이터 준비만큼 중요하지 않다는 결론에 도달했습니다. 더욱이, 입력 데이터는 차원을 줄이고 시간 축과 가격을 따라 왜곡에 불변성을 도입하기 위해 동일한 TA로 변환되어야 합니다. 또한 네트워크에서 원하는 것이 무엇인지, 네트워크에서 구현해야 하는 입력 및 출력 시스템을 미리 알고 있어야 합니다. 예를 들어, 네트워크가 지원/저항 수준의 반등/돌파에서 거래하기를 원하면 입력 데이터가 그에 따라 제시되어야 합니다. 그러나 네트워크에 필요한 입력 정보를 수집하여 나중에 훈련할 수 있고 우리를 위해 결정을 내리면 네트워크 자체에 대한 필요성이 사라집니다. 우리는 이미 들어오고 나가는 방법을 알고 있기 때문입니다. 네트워크 자체가 가격을 변환하고 이를 사용하는 방법을 알아낼 것이라고 기대하면서 네트워크 입력에 가격을 입력하려는 시도는 재앙적인 결과로 이어집니다.
그런 다음 문제가 발생합니다. 네트워크가 전혀 필요하지 않으며 연구할 가치가 있습니까? 모든 사람은 자신의 답을 가지고 있습니다. 예를 들어, 네트워크 교육에 시간을 헛되이 낭비했다고 생각하지 않습니다. 그들은 내 작업에 유용했습니다. 또한 우리의 뇌는 동일한 신경망입니다. 따라서 거래에서 그것의 유용성을 부정하는 것은 두뇌의 유용성을 부정하는 것과 같습니다. 여기서 문제는 우리의 두뇌가 어떻게 같은 가격대를 받아들이고, 중요한 점에 집중하고, 세부 사항에서 추상화하고, 결정을 내리는지 여전히 이해하지 못한다는 것입니다. 교과서의 간단한 신경망으로는 이 동작을 모델링할 수 없습니다. 우리가 그러한 행동을 시뮬레이션할 수 있다 하더라도 그러한 "생물학적" 네트워크의 학습 및 작동 속도는 우리의 두뇌보다 훨씬 느리고 거래에 적용할 수 없습니다.
네트워크에서는 지식만 예약합니다.
계량 경제학 에서 TS는 분류 도구 중 하나로 사용됩니다. 그러나 일반적인 계량 경제학 모델을 구축하려면 분류만으로는 충분하지 않습니다. NN은 가장 중요한 모델이 아니라 모델의 일부일 수 있습니다. 모델링은 평가 방법의 연구 및 개발로 시작됩니다. 평가 방법 없이는 인용 분석이 불가능하고, 분석 결과를 바탕으로 구축한 모델을 평가하는 것도 불가능하며, 모델을 적용한 결과를 평가하는 것도 불가능합니다. 위의 어느 것도 NS와 관련이 없습니다.
귀하의 게시물은 내 혼란을 확인합니다. 거래에서 여전히 사용할 수 있는 NN이라는 매우 복잡한 아이디어를 알아냈습니다. 그러나 어떤 이유로 그들은 회귀라는 훨씬 간단한 개념을 배우는 데 1분도 쓰지 않았습니다. 그리고 회귀에 대한 이해와 회귀를 사용할 수 있는 능력은 특히 지표와 일반적으로 TA에 대한 태도를 근본적으로 바꿀 것입니다. 그리고 "기적의 분야에서 피노키오를 위한 TA"라고 주장했을 또 다른 사람이 포럼에 나타났을 것입니다.
가설 형성 검색 및 데이터 수집 데이터 준비(필터링, 변환) 모델 선택, 모델 매개변수 선택 및 학습 알고리즘 모델 훈련(다른 모델 매개변수에 대한 자동 검색) 교육의 질 분석 식별된 패턴 분석
이 모든 것을 데이터 마이닝이라고 합니다...
z.net이 기계의 곡물 (사용되는 경우) ... 올바르게 준비된 데이터를 희생하여 절대적으로 동의합니다 .. 데이터가 정상이면 간단한 선형 회귀로 충분합니다 ... 이것이 당신이 노력해야 할 것입니다 을 위한 ...
나는 우리가 모델을 구축하는 단계를 알고 있다는 데 동의합니다. 이러한 단계를 구현하는 신경망 을 만드는 방법은 아직 알려져 있지 않습니다. 아마도 먼 미래에 우리는 그러한 신경망을 만드는 방법을 배우게 될 것입니다. 그 동안 하나의 신경망(개발자의 두뇌)은 데이터 처리, 패턴 식별, 모델 선택 및 이 모델 최적화의 모든 중요한 준비 작업을 수행하고 다른 네트워크(프로그램 내)는 다음을 기반으로 계산만 수행합니다. 제공된 데이터 및 개발자가 제공한 구조. 이 두 번째 네트워크에 자체 최적화 가중치를 추가하면 더 똑똑해지지 않고 시뮬레이션 오류만 줄어듭니다.
나는 우리가 모델을 구축하는 단계를 알고 있다는 데 동의합니다. 이러한 단계를 구현하는 신경망을 만드는 방법은 아직 알려져 있지 않습니다. 아마도 먼 미래에 우리는 그러한 신경망을 만드는 방법을 배우게 될 것입니다. 그 동안 하나의 신경망(개발자의 두뇌)은 데이터 처리, 패턴 식별, 모델 선택 및 이 모델 최적화의 모든 중요한 준비 작업을 수행하고 다른 네트워크(프로그램 내)는 다음을 기반으로 계산만 수행합니다. 개발자가 제공한 데이터와 구조. 이 두 번째 네트워크에 자체 최적화 가중치를 추가하면 더 똑똑해지지 않고 모델링 오류만 줄어듭니다.
당신은 그러한 구성을 만들 수 있습니다 ... 기성품 통계 패키지 또는 여러 ... 스크립트 및 매크로와 함께 모든 것을 수반합니다 (즉, 완전 자동화) 옵션 중 하나 -
가설 형성 - 최대의 수익성을 위해 모든 드로잉 칠면조를 가져 와서 네트워크 또는 ha 또는 pr을 훈련시킵니다. - 우리는 최대 dox 또는 부울(신호의 형태로)을 제공하는 VR을 얻습니다 ... 미래에는 단순히 목적 함수를 사용할 수 있습니다 그리드 또는 홍보가 자체 작성되고 정상적인 경우 최대 수익성 등을 위해 ...
검색 및 데이터 수집 - 우리는 자동으로 모든 것을 다운로드합니다 ...
데이터 준비(필터링, 변환) - 분류, 클러스터링, 요인 분석, 입력 화이트닝 부분적으로 네트워크로 만들 수도 있습니다 ... 기성 알고리즘으로 해결할 수 있습니다 ... (가장 중요한 부분이며 까다로운 변환으로 결과를 크게 향상시킬 수 있습니다.)
모델 선택, 모델 매개변수 선택 및 학습 알고리즘 - 1개의 학습 오류에 대해 여러 모델을 검사하고 사용 가능한 데이터에 대해 가장 좋은 모델을 선택합니다(통계 패키지에 이미 만들어진 모듈도 있음)...
식별된 패턴 분석 - 여기에서 간단히 네트워크로 이동하고 가중치(% 또는 pr)로 즉시 볼 수 있습니다.
나는 아마도 그러한 디자인을 지능의 주장으로 돌릴 것입니다. 대상은 처음부터 매우 동일한 모델에 의해 선택되고 모든 것이 원시 데이터에서 최종 컷에 이르기까지 자동이기 때문에 ...
물론 일반적으로 이 모든 것은 시간이 많이 걸리고 비효율적이며 ... 실제로 가장 흥미로운 것은 일반(교활한) 칠면조를 최적화하는 것과 크게 다르지 않을 것입니다. 데이터에서 예측기가 깜박임))) VR의 모든 속성은 어쨌든 모델에 침투하여 기억될 것이기 때문에 ... 미래의 모든 누출과 함께 ...
그래서 지금은 Sanych가 e-ruler를 가지고 돌아다니며 계량경제학 이 영원하다고 말할 것입니다 ... 더 수완이 있는 사람은 TA로 조금씩 잘라낼 것입니다 ... 특정 단계에서 되돌림(옵션 중 하나로) 한동안 계속되는 VR의 역동성을 잡아내고 비정상성에 침을 뱉는다 )))...
혹시 당신의 이름이 Viktor Mikhailovich입니까?
프로필에서.
나는 한때 TA를 가르쳤다. MESI에서는 계량 경제학과 수학 통계를 가르쳤습니다. 제 생각에는 제가 가르치지 않은 세 부서에서 가르쳤습니다. 유익한 수학적 방법은 나에게 알려져 있지 않습니다. 숙련된 손에 의해 이익을 가져올 수 있는 수학적 방법은 여러 번 나에게 알려져 있습니다. 제목, 책 목록. Batch mate.... 구글링을 하거나 내 프로필을 보고 싶지 않다면 EViews나 R을 사용하세요. 그러나 지표 목록 과 같은 모든 도구입니다.
난 성배가 없어. 나는 TA와 수학 통계를 사용하는 데 개인적인 기술을 가지고 있습니다. 나는 이 기술을 누구에게도 가르치지 않을 것이다.
나는 내가 철저하게 대답했다고 생각한다.
프로필에서.
나는 한때 TA를 가르쳤다. MESI에서는 계량 경제학과 수학 통계를 가르쳤습니다. 제 생각에는 제가 가르치지 않은 세 부서에서 가르쳤습니다. 유익한 수학적 방법은 나에게 알려져 있지 않습니다. 숙련된 손에 의해 이익을 가져올 수 있는 수학적 방법은 여러 번 나에게 알려져 있습니다. 제목, 책 목록. Batch mate.... 구글링을 하거나 내 프로필을 보고 싶지 않다면 EViews나 R을 이용하세요. 그러나 지표 목록과 같은 모든 도구입니다.
난 성배가 없어. 나는 TA와 수학 통계를 사용하는 데 개인적인 기술을 가지고 있습니다. 나는 이 기술을 누구에게도 가르치지 않을 것이다.
나는 내가 철저하게 대답했다고 생각한다.
먼저 "TA - 이것은 피노키오를 위한 것이므로 중요한 공기로 창고를 배수합니다." 그리고 이제 "나는 TA와 수학 통계를 사용하는 개인적인 기술을 가지고 있습니다. 이 기술을 누구에게도 가르치지 않을 것입니다."
확인. 왜 말을 귀찮게. 다음은 신경망에 대한 제 개인적인 의견입니다. 2006년부터 이를 시장에 적용하기 위해 공부를 시작했습니다. 그리고 6년 동안 나는 네트워크 자체가 입력 데이터 준비만큼 중요하지 않다는 결론에 도달했습니다. 더욱이, 입력 데이터는 차원을 줄이고 시간 축과 가격을 따라 왜곡에 불변성을 도입하기 위해 동일한 TA로 변환되어야 합니다. 또한 네트워크에서 원하는 것이 무엇인지, 네트워크에서 구현해야 하는 입력 및 출력 시스템을 미리 알고 있어야 합니다. 예를 들어, 네트워크가 지원/저항 수준의 반등/돌파에서 거래하기를 원하면 입력 데이터가 그에 따라 제시되어야 합니다. 그러나 네트워크에 필요한 입력 정보를 수집하여 나중에 훈련할 수 있고 우리를 위해 결정을 내리면 네트워크 자체에 대한 필요성이 사라집니다. 우리는 이미 들어오고 나가는 방법을 알고 있기 때문입니다. 네트워크 자체가 가격을 변환하고 이를 사용하는 방법을 알아낼 것이라고 기대하면서 네트워크 입력에 가격을 입력하려는 시도는 재앙적인 결과로 이어집니다.
그런 다음 문제가 발생합니다. 네트워크가 전혀 필요하지 않으며 연구할 가치가 있습니까? 모든 사람은 자신의 답을 가지고 있습니다. 예를 들어, 네트워크 교육 에 시간을 낭비했다고 생각하지 않습니다. 그들은 내 작업에 유용했습니다. 또한 우리의 뇌는 동일한 신경망입니다. 따라서 거래에서 그것의 유용성을 부정하는 것은 두뇌의 유용성을 부정하는 것과 같습니다. 여기서 문제는 우리의 두뇌가 어떻게 같은 가격대를 받아들이고, 중요한 점에 집중하고, 세부 사항에서 추상화하고, 결정을 내리는지 여전히 이해하지 못한다는 것입니다. 교과서의 간단한 신경망으로는 이 동작을 모델링할 수 없습니다. 우리가 그러한 행동을 시뮬레이션할 수 있다 하더라도 그러한 "생물학적" 네트워크의 학습 및 작동 속도는 우리의 두뇌보다 훨씬 느리고 거래에 적용할 수 없습니다.
먼저 "TA - 이것은 피노키오를 위한 것이므로 중요한 공기로 창고를 배수합니다." 그리고 이제 "나는 TA와 수학 통계를 사용하는 개인적인 기술을 가지고 있습니다. 이 기술을 누구에게도 가르치지 않을 것입니다."
.....이익을 가져다주는 수학적 방법은 나에게 알려져 있지 않다. 숙련 된 손으로 이익을 얻을 수있는 수학적 방법은 나에게 알려져 있으며 여러 번 호출되었습니다 ......
여기서 문제는 우리의 두뇌가 어떻게 같은 가격대를 받아들이고, 중요한 점에 집중하고, 세부 사항에서 추상화하고, 결정을 내리는지 여전히 이해하지 못한다는 것입니다.
이 같은...
가설 형성
검색 및 데이터 수집
데이터 준비(필터링, 변환)
모델 선택, 모델 매개변수 선택 및 학습 알고리즘
모델 훈련(다른 모델 매개변수에 대한 자동 검색)
교육의 질 분석
식별된 패턴 분석
이 모든 것을 데이터 마이닝이라고 합니다...
z.net이 기계의 곡물 (사용되는 경우) ... 올바르게 준비된 데이터를 희생하여 절대적으로 동의합니다 .. 데이터가 정상이면 간단한 선형 회귀 로 충분합니다 ... 이것이 당신이 노력해야 할 것입니다 을 위한 ...
먼저 "TA - 이것은 피노키오를 위한 것이므로 중요한 모양으로 저장소를 배수합니다."라고 말합니다. 그리고 이제 "나는 TA와 수학 통계를 사용하는 개인적인 기술을 가지고 있습니다. 이 기술을 누구에게도 가르치지 않을 것입니다."
확인. 왜 말을 귀찮게. 다음은 신경망에 대한 개인적인 의견입니다. 2006년부터 이를 시장에 적용하기 위해 공부하기 시작했습니다. 그리고 6년 동안 나는 네트워크 자체가 입력 데이터 준비만큼 중요하지 않다는 결론에 도달했습니다. 더욱이, 입력 데이터는 차원을 줄이고 시간 축과 가격을 따라 왜곡에 불변성을 도입하기 위해 동일한 TA로 변환되어야 합니다. 또한 네트워크에서 원하는 것이 무엇인지, 네트워크에서 구현해야 하는 입력 및 출력 시스템을 미리 알고 있어야 합니다. 예를 들어, 네트워크가 지원/저항 수준의 반등/돌파에서 거래하기를 원하면 입력 데이터가 그에 따라 제시되어야 합니다. 그러나 네트워크에 필요한 입력 정보를 수집하여 나중에 훈련할 수 있고 우리를 위해 결정을 내리면 네트워크 자체에 대한 필요성이 사라집니다. 우리는 이미 들어오고 나가는 방법을 알고 있기 때문입니다. 네트워크 자체가 가격을 변환하고 이를 사용하는 방법을 알아낼 것이라고 기대하면서 네트워크 입력에 가격을 입력하려는 시도는 재앙적인 결과로 이어집니다.
그런 다음 문제가 발생합니다. 네트워크가 전혀 필요하지 않으며 연구할 가치가 있습니까? 모든 사람은 자신의 답을 가지고 있습니다. 예를 들어, 네트워크 교육에 시간을 헛되이 낭비했다고 생각하지 않습니다. 그들은 내 작업에 유용했습니다. 또한 우리의 뇌는 동일한 신경망입니다. 따라서 거래에서 그것의 유용성을 부정하는 것은 두뇌의 유용성을 부정하는 것과 같습니다. 여기서 문제는 우리의 두뇌가 어떻게 같은 가격대를 받아들이고, 중요한 점에 집중하고, 세부 사항에서 추상화하고, 결정을 내리는지 여전히 이해하지 못한다는 것입니다. 교과서의 간단한 신경망으로는 이 동작을 모델링할 수 없습니다. 우리가 그러한 행동을 시뮬레이션할 수 있다 하더라도 그러한 "생물학적" 네트워크의 학습 및 작동 속도는 우리의 두뇌보다 훨씬 느리고 거래에 적용할 수 없습니다.
네트워크에서는 지식만 예약합니다.
계량 경제학 에서 TS는 분류 도구 중 하나로 사용됩니다. 그러나 일반적인 계량 경제학 모델을 구축하려면 분류만으로는 충분하지 않습니다. NN은 가장 중요한 모델이 아니라 모델의 일부일 수 있습니다. 모델링은 평가 방법의 연구 및 개발로 시작됩니다. 평가 방법 없이는 인용 분석이 불가능하고, 분석 결과를 바탕으로 구축한 모델을 평가하는 것도 불가능하며, 모델을 적용한 결과를 평가하는 것도 불가능합니다. 위의 어느 것도 NS와 관련이 없습니다.
귀하의 게시물은 내 혼란을 확인합니다. 거래에서 여전히 사용할 수 있는 NN이라는 매우 복잡한 아이디어를 알아냈습니다. 그러나 어떤 이유로 그들은 회귀라는 훨씬 간단한 개념을 배우는 데 1분도 쓰지 않았습니다. 그리고 회귀에 대한 이해와 회귀를 사용할 수 있는 능력은 특히 지표와 일반적으로 TA에 대한 태도를 근본적으로 바꿀 것입니다. 그리고 "기적의 분야에서 피노키오를 위한 TA"라고 주장했을 또 다른 사람이 포럼에 나타났을 것입니다.
이 같은...
가설 형성
검색 및 데이터 수집
데이터 준비(필터링, 변환)
모델 선택, 모델 매개변수 선택 및 학습 알고리즘
모델 훈련(다른 모델 매개변수에 대한 자동 검색)
교육의 질 분석
식별된 패턴 분석
이 모든 것을 데이터 마이닝이라고 합니다...
z.net이 기계의 곡물 (사용되는 경우) ... 올바르게 준비된 데이터를 희생하여 절대적으로 동의합니다 .. 데이터가 정상이면 간단한 선형 회귀로 충분합니다 ... 이것이 당신이 노력해야 할 것입니다 을 위한 ...
나는 우리가 모델을 구축하는 단계를 알고 있다는 데 동의합니다. 이러한 단계를 구현하는 신경망 을 만드는 방법은 아직 알려져 있지 않습니다. 아마도 먼 미래에 우리는 그러한 신경망을 만드는 방법을 배우게 될 것입니다. 그 동안 하나의 신경망(개발자의 두뇌)은 데이터 처리, 패턴 식별, 모델 선택 및 이 모델 최적화의 모든 중요한 준비 작업을 수행하고 다른 네트워크(프로그램 내)는 다음을 기반으로 계산만 수행합니다. 제공된 데이터 및 개발자가 제공한 구조. 이 두 번째 네트워크에 자체 최적화 가중치를 추가하면 더 똑똑해지지 않고 시뮬레이션 오류만 줄어듭니다.
나는 우리가 모델을 구축하는 단계를 알고 있다는 데 동의합니다. 이러한 단계를 구현하는 신경망을 만드는 방법은 아직 알려져 있지 않습니다. 아마도 먼 미래에 우리는 그러한 신경망을 만드는 방법을 배우게 될 것입니다. 그 동안 하나의 신경망(개발자의 두뇌)은 데이터 처리, 패턴 식별, 모델 선택 및 이 모델 최적화의 모든 중요한 준비 작업을 수행하고 다른 네트워크(프로그램 내)는 다음을 기반으로 계산만 수행합니다. 개발자가 제공한 데이터와 구조. 이 두 번째 네트워크에 자체 최적화 가중치를 추가하면 더 똑똑해지지 않고 모델링 오류만 줄어듭니다.
당신은 그러한 구성을 만들 수 있습니다 ... 기성품 통계 패키지 또는 여러 ... 스크립트 및 매크로와 함께 모든 것을 수반합니다 (즉, 완전 자동화)
옵션 중 하나 -
가설 형성 - 최대의 수익성을 위해 모든 드로잉 칠면조를 가져 와서 네트워크 또는 ha 또는 pr을 훈련시킵니다.
- 우리는 최대 dox 또는 부울(신호의 형태로)을 제공하는 VR을 얻습니다 ... 미래에는 단순히 목적 함수를 사용할 수 있습니다
그리드 또는 홍보가 자체 작성되고 정상적인 경우 최대 수익성 등을 위해 ...
검색 및 데이터 수집 - 우리는 자동으로 모든 것을 다운로드합니다 ...
데이터 준비(필터링, 변환) - 분류, 클러스터링, 요인 분석, 입력 화이트닝
부분적으로 네트워크로 만들 수도 있습니다 ... 기성 알고리즘으로 해결할 수 있습니다 ...
(가장 중요한 부분이며 까다로운 변환으로 결과를 크게 향상시킬 수 있습니다.)
모델 선택, 모델 매개변수 선택 및 학습 알고리즘 - 1개의 학습 오류에 대해 여러 모델을 검사하고 사용 가능한 데이터에 대해 가장 좋은 모델을 선택합니다(통계 패키지에 이미 만들어진 모듈도 있음)...
식별된 패턴 분석 - 여기에서 간단히 네트워크로 이동하고 가중치(% 또는 pr)로 즉시 볼 수 있습니다.
나는 아마도 그러한 디자인을 지능의 주장으로 돌릴 것입니다. 대상은 처음부터 매우 동일한 모델에 의해 선택되고 모든 것이 원시 데이터에서 최종 컷에 이르기까지 자동이기 때문에 ...
물론 일반적으로 이 모든 것은 시간이 많이 걸리고 비효율적이며 ... 실제로 가장 흥미로운 것은 일반(교활한) 칠면조를 최적화하는 것과 크게 다르지 않을 것입니다. 데이터에서 예측기가 깜박임))) VR의 모든 속성은 어쨌든 모델에 침투하여 기억될 것이기 때문에 ... 미래의 모든 누출과 함께 ...
그래서 지금은 Sanych가 e-ruler를 가지고 돌아다니며 계량경제학 이 영원하다고 말할 것입니다 ... 더 수완이 있는 사람은 TA로 조금씩 잘라낼 것입니다 ... 특정 단계에서 되돌림(옵션 중 하나로) 한동안 계속되는 VR의 역동성을 잡아내고 비정상성에 침을 뱉는다 )))...