Машинное обучение в трейдинге: теория, модели, практика и алготорговля - страница 3337

[Maxim Dmitrievsky]

Aleksey Vyazmikin #:

Можно видео посмотреть на эту тему

Интересно, что если сам более-менее долго занимаешься МО, то сам приходишь к похожим выводам. Некий естественный процесс эволюции подхода. Так пришел к козулу, statistical learning’у и reliable AI. Если гуглить эти слова, можно найти полезное.

[Aleksey Vyazmikin]

Forester #:

В учебном примере из статьи - только регрессия. За классификацию точно не скажу.

Про классификацию вроде как пишут тут . Правда у CatBoost формула чуть другая, но может это издержки математических преобразований...

Ну и ссылка на видео от туда же вроде как

[Aleksey Vyazmikin]

Maxim Dmitrievsky #:
Интересно, что если сам более-менее долго занимаешься МО, то сам приходишь к похожим выводам. Некий естественный процесс эволюции подхода. Так пришел к козулу, statistical learning’у и reliable AI. Если гуглить эти слова, можно найти полезное.

Да, это нормальный процесс - общее информационное поле. Истории известны открытия с разницей в пару лет, а труды их описывающие издаются с опозданием же - после проверок, рецензирования и вообще, перевода на понятный язык.

[Forester]

Aleksey Vyazmikin #:

Про классификацию вроде как пишут тут . Правда у CatBoost формула чуть другая, но может это издержки математических преобразований...

Ну и ссылка на видео от туда же вроде как

Кода нет. А судя по картинкам, последующие деревья обучаются не ровно 0 и 1, абс. значениям ошибки типа 0.21, 1,08, -0,47 .... как в регрессии.

[Maxim Dmitrievsky]

Aleksey Vyazmikin #:

Можно видео посмотреть на эту тему

Какая-то ерунда невнятная получается. Логлосс растет при удалении плохих семплов, а не падает. При удалении хороших тоже растет.

Сам не сделаешь - никто за тебя нормально не сделает.

[СанСаныч Фоменко]

Хорошая книга с большим объемом кода. Даю ссылку. К сожалению, размер .PDF файла слишком большой

• llo World
  • Acknowledgments
  • Using Code Examples
• INTRODUCTION
• 1 Software for modeling
• 2 A Tidyverse Primer
• 3 A Review of R Modeling Fundamentals
• MODELING BASICS
• 4 The Ames Housing Data
• 5 Spending our Data
• 6 Fitting Models with parsnip
• 7 A Model Workflow
• 8 Feature Engineering with recipes
• 9 Judging Model Effectiveness
• TOOLS FOR CREATING EFFECTIVE MODELS
• 10 Resampling for Evaluating Performance
• 11 Comparing Models with Resampling
• 12 Model Tuning and the Dangers of Overfitting
• 13 Grid Search
• 14 Iterative Search
• 15 Screening Many Models
• BEYOND THE BASICS
• 16 Dimensionality Reduction
• 17 Encoding Categorical Data
• 18 Explaining Models and Predictions
• 19 When Should You Trust Your Predictions?
• 20 Ensembles of Models
• 21 Inferential Analysis
• APPENDIX
• A Recommended Preprocessing
• REFERENCES

[Lorarica]

СанСаныч Фоменко #:

Хорошая книга с большим объемом кода. Даю ссылку. К сожалению, размер .PDF файла слишком большой

//---------------------------------------

Пердон .Просмотрела тему 1 Software for modeling. Этого было достаточно.

Не нашла больших объемов кода. Мне кажется, Вы ошиблись. Вас ловко обманули.

Это просто, красивая книга, с множеством умных слов.

P.Z.

Скопированных с других книг.

Без всякой системы.

[СанСаныч Фоменко]

Lorarica #:

Пердон .Просмотрела тему 1 Software for modeling. Этого было достаточно.

Не нашла больших объемов кода. Мне кажется, Вы ошиблись. Вас ловко обманули.

Это просто, красивая книга, с множеством умных слов.

P.Z.

Скопированных с других книг.

Без всякой системы.

Откажитесь от привычки читать только заголовки:  книга - это не пост в твиттере.

Более половины книги я прочитал, поэтому сам могу судить о содержании, есть разделы, которые на 80% состоят из кода.

Вот перечень пакетов, которые использовались при написании кода в книге. 

This version of the book was built with: R version 4.1.3 (2022-03-10), pandoc version
2.17.1.1, and the following packages:
• applicable (0.0.1.2, CRAN)
• av (0.7.0, CRAN)
• baguette (0.2.0, CRAN)
• beans (0.1.0, CRAN)
• bestNormalize (1.8.2, CRAN)
• bookdown (0.25, CRAN)
• broom (0.7.12, CRAN)
• censored (0.0.0.9000, GitHub)
• corrplot (0.92, CRAN)
• corrr (0.4.3, CRAN)
• Cubist (0.4.0, CRAN)
• DALEXtra (2.1.1, CRAN)
• dials (0.1.1, CRAN)
• dimRed (0.2.5, CRAN)
• discrim (0.2.0, CRAN)
• doMC (1.3.8, CRAN)
• dplyr (1.0.8, CRAN)
• earth (5.3.1, CRAN)
• embed (0.1.5, CRAN)
• fastICA (1.2-3, CRAN)
• finetune (0.2.0, CRAN)
• forcats (0.5.1, CRAN)
• ggforce (0.3.3, CRAN)
• ggplot2 (3.3.5, CRAN)
• glmnet (4.1-3, CRAN)
• gridExtra (2.3, CRAN)
• infer (1.0.0, CRAN)
• kableExtra (1.3.4, CRAN)
• kernlab (0.9-30, CRAN)
• kknn (1.3.1, CRAN)
• klaR (1.7-0, CRAN)
• knitr (1.38, CRAN)
• learntidymodels (0.0.0.9001, GitHub)
• lime (0.5.2, CRAN)
• lme4 (1.1-29, CRAN)
• lubridate (1.8.0, CRAN)
• mda (0.5-2, CRAN)
• mixOmics (6.18.1, Bioconductor)
• modeldata (0.1.1, CRAN)
• multilevelmod (0.1.0, CRAN)
• nlme (3.1-157, CRAN)
• nnet (7.3-17, CRAN)
• parsnip (0.2.1.9001, GitHub)
• patchwork (1.1.1, CRAN)
• pillar (1.7.0, CRAN)
• poissonreg (0.2.0, CRAN)
• prettyunits (1.1.1, CRAN)
• probably (0.0.6, CRAN)
• pscl (1.5.5, CRAN)
• purrr (0.3.4, CRAN)
• ranger (0.13.1, CRAN)
• recipes (0.2.0, CRAN)
• rlang (1.0.2, CRAN)
• rmarkdown (2.13, CRAN)
• rpart (4.1.16, CRAN)
• rsample (0.1.1, CRAN)
• rstanarm (2.21.3, CRAN)
• rules (0.2.0, CRAN)
• sessioninfo (1.2.2, CRAN)
• stacks (0.2.2, CRAN)
• klaR (1.7-0, CRAN)
• knitr (1.38, CRAN)
• learntidymodels (0.0.0.9001, GitHub)
• lime (0.5.2, CRAN)
• lme4 (1.1-29, CRAN)
• lubridate (1.8.0, CRAN)
• mda (0.5-2, CRAN)
• mixOmics (6.18.1, Bioconductor)
• modeldata (0.1.1, CRAN)
• multilevelmod (0.1.0, CRAN)
• nlme (3.1-157, CRAN)
• nnet (7.3-17, CRAN)
• parsnip (0.2.1.9001, GitHub)
• patchwork (1.1.1, CRAN)
• pillar (1.7.0, CRAN)
• poissonreg (0.2.0, CRAN)
• prettyunits (1.1.1, CRAN)
• probably (0.0.6, CRAN)
• pscl (1.5.5, CRAN)
• purrr (0.3.4, CRAN)
• ranger (0.13.1, CRAN)
• recipes (0.2.0, CRAN)
• rlang (1.0.2, CRAN)
• rmarkdown (2.13, CRAN)
• rpart (4.1.16, CRAN)
• rsample (0.1.1, CRAN)
• rstanarm (2.21.3, CRAN)
• rules (0.2.0, CRAN)
• sessioninfo (1.2.2, CRAN)
• stacks (0.2.2, CRAN)
• stringr (1.4.0, CRAN)
• svglite (2.1.0, CRAN)
• text2vec (0.6, CRAN)
• textrecipes (0.5.1.9000, GitHub)
• themis (0.2.0, CRAN)
• tibble (3.1.6, CRAN)
• tidymodels (0.2.0, CRAN)
• tidyposterior (0.1.0, CRAN)
• tidyverse (1.3.1, CRAN)
• tune (0.2.0, CRAN)
• uwot (0.1.11, CRAN)
• workflows (0.2.6, CRAN)
• workflowsets (0.2.1, CRAN)
• xgboost (1.5.2.1, CRAN)
• yardstick (0.0.9, CRAN

По своему содержанию книга представляет собой систематическое изложение проблем и их решений того, что называется "машинное обучение", на данном сайте весьма полезна, так как под "машинным обучением" обычно понимают только модель.

[mytarmailS]

Lorarica #:

Пердон .Просмотрела тему 1 Software for modeling. Этого было достаточно.

Не нашла больших объемов кода. Мне кажется, Вы ошиблись. Вас ловко обманули.

Это просто, красивая книга, с множеством умных слов.

P.Z.

Скопированных с других книг.

Без всякой системы.

В разделе про программное обеспечение она искала много кода...)))) 

А много "умных слов" и картинок это для неё недостаток. ..)))) 

Клоунесса

[mytarmailS]

СанСаныч Фоменко #:

Книга супер, но тут некому её читать