Grafik Modelleri Tanımak için OpenCV Kullanmak
Onları tanımak yeterli değildir (desenler), bir kişi bile bununla başa çıkabilir)
Hala onları sınıflandırmamız ve onlarla ne yapacağımızı anlamamız gerekiyor.
Korelasyon yöntemi ve benzeri yöntemlerin zaman serilerinin uygunluğunun belirlenmesi ile tam olarak başa çıkmadığını ve bazı durumlarda tamamen yanlış olduğunu herkes bilir.
Son zamanlarda, bilgisayarla görme yaygınlaştı. Temel olarak, örneğin fotoğraflardaki yüzler gibi örüntü tanıma için kullanılır. Bildiğim kadarıyla, bu yöntem çok doğru çalışıyor. Kalıp tanıma için bu kitaplıkları kullanma deneyimi olan var mı? Peki, kütüphanelerin mql'de kullanımı. Konunun kendi içinde çok ilginç olduğunu ve geliştirmekten zarar gelmez diye düşünüyorum. Henüz bu konuda deneyimim yok ama öğrenmek istiyorum.
Makine öğrenimi, örüntü arama ve diğer görevler için harika olabileceğini düşünüyorum.
Komik olandan - bir kamera varsa ve bu farklı bir kişiyse, kullanıcıyı fizyonomisine göre belirleme yeteneğini botta oluşturabilirsiniz, o zaman ticarete izin vermeyin :)
Kanıt http://opencv.org/
O zaman düşünmede daha ileri gitmeyi öneriyorum, tanıma mekanizmasının zaten var olduğunu ve aynı OpenCV aracılığıyla terminalde çalıştığını hayal edin.
Sıradaki ne?
Elliot ve Wolfe dalgaları mı? Onları biraz doğrulukla tanıdı ve sırada ne var? Sonra tekrar SL, TP, TS ile robotiğe dönüyoruz
O zaman düşünmede daha ileri gitmeyi öneriyorum, tanıma mekanizmasının zaten var olduğunu ve aynı OpenCV aracılığıyla terminalde çalıştığını hayal edin.
Sıradaki ne?
Elliot ve Wolfe dalgaları mı? Onları biraz doğrulukla tanıdı ve sırada ne var? Sonra tekrar SL, TP, TS ile robotiğe dönüyoruz
stratejiler için en azından "korkunç" yerlerin görsel ve istikrarlı bir şekilde tanımlanması. Örneğin, geri tepmesiz trendler - bir şey ne kadar erken ıslık çalarsa "öyle görünüyor" o kadar iyi, karşı trend katmanlarını durdurabilir ve bir kayba düşmeyebilirsiniz.
Basit bir senaryo - tarihsel grafikte kârsız bölgeler olarak işaretlenmiş (ve geliştirici bunları "görerek" biliyor), öğreticiyi başlattı ve ardından aynı OpenCV kesintisiz olarak grafiğe bakıyor.
bu sadece orada yazmak, yeniden yazmayın .. görüntü tanıma "kutudan çıktı" grafikler için keskinleştirilmemiştir. Hala bir yığın matematik var, teoride ihtiyacınız var
O zaman düşünmede daha ileri gitmeyi öneriyorum, tanıma mekanizmasının zaten var olduğunu ve aynı OpenCV aracılığıyla terminalde çalıştığını hayal edin.
Sıradaki ne?
Elliot ve Wolfe dalgaları mı? Onları biraz doğrulukla tanıdı ve sırada ne var? Sonra tekrar SL, TP, TS ile robotiğe dönüyoruz
arkadaşım sen gerçekten öyle misin? Bunun dar odaklı bir konu olduğunu zaten yazdım, lütfen solcu ile tıkamayalım, çünkü her zamanki gibi sizin gibi atların önünde koşan insanlar yüzünden daha sonra konuyla ilgili hiçbir şey bulamayacaksınız. Uygulamalar çeşitlidir ve konunun kapsamını aşar.
bu kitaplığa özel bir şey varsa - ileri
arkadaşım sen gerçekten öyle misin? Bunun dar odaklı bir konu olduğunu zaten yazdım, lütfen solcu ile tıkamayalım, çünkü her zamanki gibi sizin gibi atların önünde koşan insanlar yüzünden daha sonra konuyla ilgili hiçbir şey bulamayacaksınız. Uygulamalar çeşitlidir ve konunun kapsamını aşar.
bu kütüphaneye özel bir şey varsa - ileri
Bu paketle zaten kendiniz mi çalışıyorsunuz? İndirildi, paketi açıldı, canavar gibi görünüyor. Sitede birçok basılı kitap var, O'Raily'den biri bin sayfadan fazla!
Çalışıyorsanız, VS ile ve hangi sürümle? Yoksa başka bir şeyle mi?
Sitenin bir dock'u var, yavaş yavaş okuyacağım.
Bu paketle zaten kendiniz mi çalışıyorsunuz? İndirildi, paketi açıldı, canavar gibi görünüyor. Sitede birçok basılı kitap var, O'Raily'den biri bin sayfadan fazla!
Çalışıyorsanız, VS ile ve hangi sürümle? Yoksa başka bir şeyle mi?
Sitenin bir dock'u var, yavaş yavaş okuyacağım.
Hala bu canavara yaklaşmanın doğru yolunu arıyorum :) Daha önce bununla çalışmış insanları arıyorum
yani, örneğin iki kalıbı karşılaştırmak gibi uygulama adımlarının sırasını doğru bir şekilde formüle etmem ve sonra bir şeyler yapmam gerekiyor.
Bu yöndeki en büyük ilerleme CNN (Convolutional Neural Networks) yardımıyla elde edilmektedir.
- habrahabr.ru
Video için teşekkürler, takıldım :)
Ancak burada tam olarak ihtiyaç duyulan şey değil, genel norm eğitimi için. 2 grafik deseni tanımamız (hatırlayın, her neyse) ve benzerlik açısından karşılaştırmamız gerekiyor. Bu, başlamak için ilk görevdir. Bunun için bir sinir ağı eğitmeniz gerektiğinden emin değilim.
- Ücretsiz alım-satım uygulamaları
- İşlem kopyalama için 8.000'den fazla sinyal
- Finansal piyasaları keşfetmek için ekonomik haberler
Gizlilik ve Veri Koruma Politikasını ve MQL5.com Kullanım Şartlarını kabul edersiniz
Korelasyon yöntemi ve benzeri yöntemlerin zaman serilerinin uygunluğunun belirlenmesi ile tam olarak başa çıkmadığını ve bazı durumlarda tamamen yanlış olduğunu herkes bilir.
Son zamanlarda, bilgisayarla görme yaygınlaştı. Temel olarak, örneğin fotoğraflardaki yüzler gibi örüntü tanıma için kullanılır. Bildiğim kadarıyla, bu yöntem çok doğru çalışıyor. Kalıp tanıma için bu kitaplıkları kullanma deneyimi olan var mı? Peki, kütüphanelerin mql'de kullanımı. Konunun kendi içinde çok ilginç olduğunu ve geliştirmekten zarar gelmez diye düşünüyorum. Henüz bu konuda deneyimim yok ama öğrenmek istiyorum.
Makine öğrenimi, örüntü arama ve diğer görevler için harika olabileceğini düşünüyorum.
Komik olandan - bir kamera varsa ve bu farklı bir kişiyse, kullanıcıyı fizyonomisine göre belirleme yeteneğini botta oluşturabilirsiniz, o zaman ticarete izin vermeyin :)
Kanıt http://opencv.org/  ;