交易中的机器学习：理论、模型、实践和算法交易 - 页 2684

新评论
 
mytarmailS #:
原来如此。
所以，CNN 应该是第一个被龙化的地方。
如果只是为了功能的话。
时间序列有 TCN。
或者更好的办法是，通过卷积核来学习垃圾芯片，就像在 ROCKET 中那样。
 
Maxim Dmitrievsky #:
时间序列有一个 TCN
其中
 
mytarmailS #:
在哪里？
我不知道在哪里，这是一种算法，或者叫 TCNN，类似的东西。
时间序列卷积 NN
 
Maxim Dmitrievsky #:
我不知道在哪里，这是一种算法，或者叫 TCNN，类似的东西。
时间序列卷积 NN
嗯，知道了，用于语音识别。
 
mytarmailS #:
是的，知道了，这是用来说话的。

嗯，变形金刚也是用来写字母的，主要还是看特性。

 
Maxim Dmitrievsky #:

好吧，变形金刚也是用来写字母的，主要取决于特征。

是啊，序列

妈的......看火炬上的例子，写一个神经元得写几十行代码，在 R 之后写两行就不常见了。
 
mytarmailS #:
是的，序列

妈的......看看火炬上的例子，要写一个神经元，你需要写几十行代码，在 R 之后，写两行代码就很不寻常了。
PyTorch 是一个很酷的构造函数，你只需要理解它。然后你就可以构建任何类型的架构了

但你需要它吗？使用无与伦比的 catbust 就可以了 😀

在我的任务中，我比较了神经网络和 Bousting。输出结果相同，但 Bousting 的学习速度更快。
 
Maxim Dmitrievsky #:
PyTorch 是一个很酷的构造器，你只需了解它。然后你就可以构建任何你想要的架构了

但你需要什么呢？就拿无与伦比的 catbust 来说吧 😀

在我的任务中，我比较了神经网络和 Bousting。输出结果相同，但 Bousting 的学习速度更快。
在 MNIST 上，至少可以试着比较一下 bousting 和 CNN。
 
mytarmailS #:
在 MNIST 方面，至少要尝试将提升幅度与 CNN 进行比较。
这没什么可做的。差异通常为 +-。在一些特定的数据集上，如信号处理，神经网络更有优势。但我们昨天发现，外汇市场上没有信号 😀
 
Maxim Dmitrievsky #:
你只是在跳来跳去
你说得没错，如果连一丝奴性都没有 为什么还要深入呢？我试过了，不好，下一个吧
1...267726782679268026812682268326842685268626872688268926902691...3399
新评论