交易中的机器学习：理论、模型、实践和算法交易 - 页 1269 1...126212631264126512661267126812691270127112721273127412751276...3399 新评论 Maxim Dmitrievsky 2019.01.25 10:20 #12681 来自AlphaGo Zero的创造者们，请尽情观看 :) Aleksey Vyazmikin 2019.01.25 10:42 #12682 马克西姆-德米特里耶夫斯基。来自AlphaGo Zero的创作者的新鲜事，请尽情观看吧 :) 是否有关于如何创建/训练/连接明星卡夫的模型的详细说明？ Aleksey Vyazmikin 2019.01.25 11:29 #12683 马克西姆-德米特里耶夫斯基。我想我不玩，我只是看比赛。 从复盘来看，阿尔法交易员如果做出来，会比任何一袋骰子的交易效果更好。在我看来，做这样的机器人可以在MO中获得新的技能，而且就是很有趣。自从新的章节出来后，我自己也玩了几次《星际争霸2》（那里的故事被分成了几个部分）。在与人工智能对战时，他往往不是通过行动逻辑，而是通过控制单位取胜--一个人的身体不可能同时控制整个地图和每个单位。 Renat Akhtyamov 2019.01.25 12:37 #12684 弗拉基米尔-佩雷文科。我不监控自己的，我不知道别人的。上面引用的文章没有足够的信息可供复制，而且代码太复杂。我认为一切都可以用软件包的标准层来实现，而不需要使用R6。 祝好运我不明白你希望我有什么好运气。 请至少做一个演示 如果专家用MO元素工作的结果是可以接受的，那么我将从头到尾重读整个分支。 Aleksey Vyazmikin 2019.01.25 15:09 #12685 马克西姆-德米特里耶夫斯基。这里的情况并非如此，它完全接近于人类所看到的和所做的--有限的视野，平均速度低于职业球员的速度。 而SC中的内置人工智能只是争抢的无趣的对手。相反，这个人玩起来就像一个人。我不会把一个职业球员和这个人工智能区分开来，也就是说，图灵测试通过了）））。 甚至可视化了电子脑的活跃神经元云 从屏幕上看，你不能做出毫不含糊的结论。是的，也许只控制适合在屏幕上的东西--没问题，为了这些目的，在一个单位/结构或一组单位上使用热键，那么在这一点上就没有必要直观地观察它们，你可以在地图上进行协调，这在屏幕上也始终可见。Chisha都在mikrokontrol，我个人看了几个视频，没有看到那里的战略方面有什么高明之处，但那里的个别单位的潜力的使用是披露得很充分。也就是说，那里的重点是评估潜在的威胁和反击的选择--根据敌人发展的分支，加上经济的独立模块--不同的方法已经看到，和控制，我认为前两个模块（发展的分支和经济）是编程或应用模糊逻辑，一些相对笨拙的稳定，但控制是根据情况，这里只是工作AI的全面。顺便说一下，关于物体的信息是如何传输的，如何总结它们来做出决定并考虑到它们的运动，芯片和目标并不清楚。 Aleksey Vyazmikin 2019.01.25 15:14 #12686 顺便说一下，我有时在blizard的网络上玩《魔兽争霸III》，在那里我经常被指责为人工智能，我想知道它是否也能适用于那里。如果使用的话，我不知道我和这样的AI玩了多少次。 Aleksey Vyazmikin 2019.01.25 15:51 #12687 马克西姆-德米特里耶夫斯基。在那里，顺便说一下，最初整个地图都放在屏幕上，供机器人使用，然后他们把它做成玩家的样子，然后机器人开始失速，人就赢了（在视频的最后）。在这种情况下被拍到的坏mb。另一方面，如何评估有效性--一旦某些阶层导致成功，那么机器人就会选择它们。我认为，如果你让控制的约束条件与人相称，机器人就会打败普通用户，因为人群的行为是相似的，而且会是最频繁的。顺便说一下，当我试图与我的儿子在网络上玩一个宗族对机器人玩具魔兽争霸3，然后在第一时间，它是一样困难（在此之前，我有丰富的经验，在宗族游戏在battlnet对人类），但后来习惯了机器人的行为，并逐渐超过他使用非标准的解决方案（例如，通过树切开地雷，从而保护单位从地面的攻击）。所以我想知道应该给非标准策略多大的权重，这样它们才能在MO中得到考虑，也就是说，你需要把标准行为和非标准行为分开，对它们有不同的处理方法，同时又不能相互干扰。这就像一个趋势和一个平面--一个模型很难同时训练这两个模型，至少我不知道怎么做。 Aleksey Vyazmikin 2019.01.25 15:57 #12688 马克西姆-德米特里耶夫斯基。我不认为这有什么分量。如果情况很少，机器人将直接忽略此类选项。如果一个人适应了机器人的策略，那么机器人就需要一直训练以适应一个人的阶层，否则就不是一个平等的情况了）。我不知道，那么事实证明，这在很大程度上取决于样本，如果样本不同，那么机器人在相互斗争中的表现也会不同，即这里不仅有训练，还有运气因素（谁在什么地方训练）。因此，训练的结果并不总是可见的（可能正确估计），因为没有有效的样本来比较结果。 Aleksey Vyazmikin 2019.01.25 16:07 #12689 马克西姆-德米特里耶夫斯基。是的，这就是那里的学习方式--通过对抗性网络，有点像那样。人工智能与之对弈数千次，再现了许多不同的策略。最终，网络会制定出最佳策略。如果一个游戏的数量超过了一个职业棋手的游戏数量（相当于他们所说的200年的游戏），统计学上的优势将很可能在机器人这一边，因为它考虑了更多的组合。但是，找到一个独特的获胜地层的概率当然仍然是人这个话题很有趣，但笼罩着神秘的色彩 :)交易是不同的，我们不能用我们的行为影响市场，我们也没有可能纠正错误，也许用仓位平均法...... Aleksey Vyazmikin 2019.01.25 16:15 #12690 马克西姆-德米特里耶夫斯基。如果你把图形分成几千和几百万块，并让机器人与之对弈那么多次，也许它会学会一直打败它，这又取决于小说的内容。我的看法略有不同，游戏惯例是每一方都有一个由许多因素组成的数学分数--机器人的数量及其潜力、资产、金钱，而对手的目标是减少这个分数，以保持自己的分数高于对手的分数，也就是在结果上花费更少的精力。这就形成了一个相互影响的系统，很明显，通过牺牲一个单位，你会使对手的估计资产价值减少的幅度大于该单位的估计价值，那么这就是正确的决定，如果不是，那就是不正确的决定。在交易中，我们没有保证，只有概率，而在玩具中，有可以计算的数学保证。 我们不能影响局势，而在游戏中我们可以，包括自己创造有利可图的局面。 1...126212631264126512661267126812691270127112721273127412751276...3399 新评论 您错过了交易机会： 免费交易应用程序 8,000+信号可供复制 探索金融市场的经济新闻 注册 登录 拉丁字符（不带空格） 密码将被发送至该邮箱 发生错误 使用 Google 登录 您同意网站政策和使用条款 如果您没有帐号，请注册 可以使用cookies登录MQL5.com网站。 请在您的浏览器中启用必要的设置，否则您将无法登录。 忘记您的登录名/密码？ 使用 Google 登录
来自AlphaGo Zero的创造者们，请尽情观看 :)
来自AlphaGo Zero的创作者的新鲜事，请尽情观看吧 :)
是否有关于如何创建/训练/连接明星卡夫的模型的详细说明？
我想我不玩，我只是看比赛。
从复盘来看，阿尔法交易员如果做出来，会比任何一袋骰子的交易效果更好。
在我看来，做这样的机器人可以在MO中获得新的技能，而且就是很有趣。自从新的章节出来后，我自己也玩了几次《星际争霸2》（那里的故事被分成了几个部分）。在与人工智能对战时，他往往不是通过行动逻辑，而是通过控制单位取胜--一个人的身体不可能同时控制整个地图和每个单位。
我不监控自己的，我不知道别人的。上面引用的文章没有足够的信息可供复制，而且代码太复杂。我认为一切都可以用软件包的标准层来实现，而不需要使用R6。
祝好运
我不明白你希望我有什么好运气。
请至少做一个演示
如果专家用MO元素工作的结果是可以接受的，那么我将从头到尾重读整个分支。
这里的情况并非如此，它完全接近于人类所看到的和所做的--有限的视野，平均速度低于职业球员的速度。
而SC中的内置人工智能只是争抢的无趣的对手。相反，这个人玩起来就像一个人。我不会把一个职业球员和这个人工智能区分开来，也就是说，图灵测试通过了）））。
甚至可视化了电子脑的活跃神经元云
从屏幕上看，你不能做出毫不含糊的结论。是的，也许只控制适合在屏幕上的东西--没问题，为了这些目的，在一个单位/结构或一组单位上使用热键，那么在这一点上就没有必要直观地观察它们，你可以在地图上进行协调，这在屏幕上也始终可见。Chisha都在mikrokontrol，我个人看了几个视频，没有看到那里的战略方面有什么高明之处，但那里的个别单位的潜力的使用是披露得很充分。也就是说，那里的重点是评估潜在的威胁和反击的选择--根据敌人发展的分支，加上经济的独立模块--不同的方法已经看到，和控制，我认为前两个模块（发展的分支和经济）是编程或应用模糊逻辑，一些相对笨拙的稳定，但控制是根据情况，这里只是工作AI的全面。顺便说一下，关于物体的信息是如何传输的，如何总结它们来做出决定并考虑到它们的运动，芯片和目标并不清楚。
在那里，顺便说一下，最初整个地图都放在屏幕上，供机器人使用，然后他们把它做成玩家的样子，然后机器人开始失速，人就赢了（在视频的最后）。在这种情况下被拍到的坏mb。另一方面，如何评估有效性--一旦某些阶层导致成功，那么机器人就会选择它们。
我认为，如果你让控制的约束条件与人相称，机器人就会打败普通用户，因为人群的行为是相似的，而且会是最频繁的。顺便说一下，当我试图与我的儿子在网络上玩一个宗族对机器人玩具魔兽争霸3，然后在第一时间，它是一样困难（在此之前，我有丰富的经验，在宗族游戏在battlnet对人类），但后来习惯了机器人的行为，并逐渐超过他使用非标准的解决方案（例如，通过树切开地雷，从而保护单位从地面的攻击）。所以我想知道应该给非标准策略多大的权重，这样它们才能在MO中得到考虑，也就是说，你需要把标准行为和非标准行为分开，对它们有不同的处理方法，同时又不能相互干扰。这就像一个趋势和一个平面--一个模型很难同时训练这两个模型，至少我不知道怎么做。
我不认为这有什么分量。如果情况很少，机器人将直接忽略此类选项。如果一个人适应了机器人的策略，那么机器人就需要一直训练以适应一个人的阶层，否则就不是一个平等的情况了）。
我不知道，那么事实证明，这在很大程度上取决于样本，如果样本不同，那么机器人在相互斗争中的表现也会不同，即这里不仅有训练，还有运气因素（谁在什么地方训练）。
因此，训练的结果并不总是可见的（可能正确估计），因为没有有效的样本来比较结果。
是的，这就是那里的学习方式--通过对抗性网络，有点像那样。人工智能与之对弈数千次，再现了许多不同的策略。最终，网络会制定出最佳策略。如果一个游戏的数量超过了一个职业棋手的游戏数量（相当于他们所说的200年的游戏），统计学上的优势将很可能在机器人这一边，因为它考虑了更多的组合。但是，找到一个独特的获胜地层的概率当然仍然是人
这个话题很有趣，但笼罩着神秘的色彩 :)交易是不同的，我们不能用我们的行为影响市场，我们也没有可能纠正错误，也许用仓位平均法......
如果你把图形分成几千和几百万块，并让机器人与之对弈那么多次，也许它会学会一直打败它，这又取决于小说的内容。
我的看法略有不同，游戏惯例是每一方都有一个由许多因素组成的数学分数--机器人的数量及其潜力、资产、金钱，而对手的目标是减少这个分数，以保持自己的分数高于对手的分数，也就是在结果上花费更少的精力。这就形成了一个相互影响的系统，很明显，通过牺牲一个单位，你会使对手的估计资产价值减少的幅度大于该单位的估计价值，那么这就是正确的决定，如果不是，那就是不正确的决定。在交易中，我们没有保证，只有概率，而在玩具中，有可以计算的数学保证。
我们不能影响局势，而在游戏中我们可以，包括自己创造有利可图的局面。