Ticarette makine öğrenimi: teori, pratik, ticaret ve daha fazlası - sayfa 2441
Ticaret fırsatlarını kaçırıyorsunuz:
- Ücretsiz ticaret uygulamaları
- İşlem kopyalama için 8.000'den fazla sinyal
- Finansal piyasaları keşfetmek için ekonomik haberler
Kayıt
Giriş yap
Gizlilik ve Veri Koruma Politikasını ve MQL5.com Kullanım Şartlarını kabul edersiniz
Hesabınız yoksa, lütfen kaydolun
MQL5'te makine öğreniminin tanıtımına doğru ilerlediğimizi daha önce söylemiştik.
Yakında karmaşık sayılar (hazır), hız vektörleri ve matrisler için yerel desteği yayınlayacağız. Bu tam olarak dilin yerel işlevidir , kitaplığın değil.
Ardından, geniş bir makine öğrenimi mekaniği seti ekleyeceğiz ve TensorFlow'a benzer işlevsellik sağlayacağız. Bu, tamamen farklı bir seviyede yerel robotlar yazmanıza izin verecektir.
Bu ilginç, ancak kategorik tahmin ediciler ve ağaç oluşturmak için farklı seçenekler ve ayrıca çoklu sınıflandırma desteği ile aynı CatBoost modellerinin yorumlayıcılarına ihtiyacımız var. Modern başarıları kullanmak için işlevselliğe ihtiyacımız olduğu ve ancak o zaman onların yeniden yaratılması, iyileştirilmesi, işlenmesi için işlevselliğe ihtiyacımız olduğu gerçeğinden yola çıkıyorum.
Yerleşik çeşitli kümeleme, sınıflandırma, dönüştürme, boyutsal sıkıştırma, dönüştürme, tahmin edici seçimi yöntemleri - ticaret için faydalı olabilir.
Bu ilginç, ancak kategorik tahmin ediciler ve ağaç oluşturmak için farklı seçenekler ve ayrıca çoklu sınıflandırma desteği ile aynı CatBoost modellerinin yorumlayıcılarına ihtiyacımız var. Modern başarıları kullanmak için işlevselliğe ihtiyacımız olduğu ve ancak o zaman onların yeniden yaratılması, iyileştirilmesi, işlenmesi için işlevselliğe ihtiyacımız olduğu gerçeğinden yola çıkıyorum.
Yerleşik çeşitli kümeleme, sınıflandırma, dönüştürme, boyutsal sıkıştırma, dönüştürme, tahmin edici seçimi yöntemleri - ticaret için faydalı olabilir.
Her şey adım adım.
Python da dahil olmak üzere (basit türlerin yerel dizilerinin bile olmadığı) sıradan dillerde bulunmayan şeyleri (karmaşık, vektörler ve alfa sürümlerinde matrisler) zaten yaptık.
Gerçekte, TensorFlow içindeki filtreler ve motorlar aşırı karmaşık değildir. Orijinal projede yer alan her şey ve her şeyle uyumluluğun ötesinde bir yük olmaksızın yaratıcı bir şekilde MQL5'e aktarılabilirler.
Bir kerede, R'den yaklaşık 500 işlevi MQL5 kaynaklarına aktardık ve tanıttık. Ayrıca, MQL5'te işlevler 3 ila 50 kat daha hızlıdır.
MQL5'te makine öğreniminin tanıtımına doğru ilerlediğimizi zaten söylemiştik.
Yakında karmaşık sayılar (hazır), hız vektörleri ve matrisler için yerel desteği yayınlayacağız. Bu tam olarak dilin yerel işlevidir , kitaplığın değil.
Ardından, geniş bir makine öğrenimi mekaniği seti ekleyeceğiz ve TensorFlow'a benzer işlevsellik sağlayacağız. Bu, tamamen farklı bir seviyede yerel robotlar yazmanıza izin verecektir.
WinML veya DirectML mi yoksa kendi çözümünüzü mü kullanacaksınız?
ONNX desteği olacak mı?
MQL5'te makine öğreniminin tanıtımına doğru ilerlediğimizi daha önce söylemiştik.
Yakında karmaşık sayılar (hazır), hız vektörleri ve matrisler için yerel desteği yayınlayacağız. Bu tam olarak dilin yerel işlevidir , kitaplığın değil.
Ardından, geniş bir makine öğrenimi mekaniği seti ekleyeceğiz ve TensorFlow'a benzer işlevsellik sağlayacağız. Bu, tamamen farklı bir seviyede yerel robotlar yazmanıza izin verecektir.
Renat Fatkhullin'in fotoğrafı.
Yakında karmaşık sayılar (hazır), hız vektörleri ve matrisler için yerel desteği yayınlayacağız.
Matlab ve numpy'de olduğu gibi döngüler olmadan dizilerle çalışma yeteneğine gerçekten ihtiyacım var (sayı ile çarpma, eleman bazında çarpma, dilimler).
Matlab ve numpy'de olduğu gibi döngüler olmadan dizilerle çalışma yeteneğine gerçekten ihtiyacım var (sayı ile çarpma, eleman bazında çarpma, dilimler).
Dil düzeyinde zaten var.
WinML veya DirectML mi yoksa kendi çözümünüzü mü kullanacaksınız?
ONNX desteği olacak mı?
İlk olarak, yeni veri türleri ve üzerlerindeki işlemler için doğrudan dilde yerel destek sağlıyoruz.
OpenCL/multithreading aracılığıyla işlemlerin hızlandırılması, geliştiriciler için gizli ve şeffaf olacaktır.
WinML/ONNX'i daha sonra düşüneceğiz.
Matris ve ML işlemlerinde OpenCL'yi otomatik ve şeffaf bir şekilde uygulamayı planlıyoruz.
Aslında, tonlarca canavarca yapılandırılabilir CUDA ve tensorflow kitaplığı kullanmadan bundan en iyi şekilde yararlanacağız.
Ve vektörler için OpenCL tarafından otomatik olarak uygulanmayacak mı?
Yani, birkaç vektörle çalışırsak, bir matris kullanmak daha mantıklı olur mu?
Yoksa vektörler OpenCL'de de desteklenecek mi?
Katma.
CPU veya GPU donanım kaynağı da mevcut olanlardan otomatik olarak mı seçilecek?
Yoksa hangi kaynağın kullanılacağını belirlemek mümkün olacak mı?
Ve vektörler için OpenCL tarafından otomatik olarak uygulanmayacak mı?
Yani, birkaç vektörle çalışırsak, bir matris kullanmak daha mantıklı olur mu?
Yoksa vektörler OpenCL'de de desteklenecek mi?
Katma.
CPU veya GPU donanım kaynağı da mevcut olanlardan otomatik olarak mı seçilecek?
Yoksa hangi kaynağın kullanılacağını belirlemek mümkün olacak mı?
Tek vektörler için yüksek maliyetli OpenCL'yi kullanmak pek mantıklı değil.
Efekti nerede bulursak oraya uygulayacağız. OpenCL kendi içinde bir son değildir.
Önce OpenCL olmadan matris işlemlerinin beta sürümlerini bekleyin. Temel işlevsellikte hata ayıklarken, hızlandırmaya geçelim.
Her şey stres testleri ve kıyaslamalarla ele alınacaktır.