در این مطلب، ویدئو یادگیری ماشینی برای ربات های معاملاتی الگوریتمی با پایتون: مقدمه الگوریتم های آنلاین|packtpub.com با زیرنویس فارسی را برای دانلود قرار داده ام. شما میتوانید با پرداخت 15 هزار تومان ، این ویدیو به علاوه تمامی فیلم های سایت را دانلود کنید.اکثر فیلم های سایت به زبان انگلیسی می باشند. این ویدئو دارای زیرنویس فارسی ترجمه شده توسط هوش مصنوعی می باشد که میتوانید نمونه ای از آن را در قسمت پایانی این مطلب مشاهده کنید.
مدت زمان فیلم: 00:08:52
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:01,580 –> 00:00:03,640
شما
2
00:00:06,980 –> 00:00:09,940
بخش سوم الگوریتم معاملاتی بیلد را در
3
00:00:09,940 –> 00:00:13,490
این سخنرانی ویدیویی معرفی میکند که الگوریتمهای آنلاین را معرفی میکند،
4
00:00:13,490 –> 00:00:15,650
ما یکی از
5
00:00:15,650 –> 00:00:18,619
مفاهیم مهم تقریباً در هر
6
00:00:18,619 –> 00:00:21,020
سیستم دیجیتالی را که با
7
00:00:21,020 –> 00:00:23,689
دادههای مالی و یادگیری ماشین سروکار دارد، مورد بحث قرار میدهیم، همچنین
8
00:00:23,689 –> 00:00:25,070
این یکی از مفاهیمی است که شما
9
00:00:25,070 –> 00:00:26,779
با آن مواجه خواهید شد و بیشتر فضای ابری با آن مواجه خواهید شد.
10
00:00:26,779 –> 00:00:29,960
مراکز محاسباتی و همچنین شرایط
11
00:00:29,960 –> 00:00:32,689
محاسبات توزیع شده را وارد کنید، بنابراین ممکن است
12
00:00:32,689 –> 00:00:35,600
برای شما مفید باشد، بنابراین با ما همراه باشید و
13
00:00:35,600 –> 00:00:37,940
شما را در اسلاید بعدی ببینیم، این سخنرانی
14
00:00:37,940 –> 00:00:41,240
به چهار بخش فرعی تقسیم شده است که همه در
15
00:00:41,240 –> 00:00:44,060
زیر چتر الگوریتم های آنلاین قرار دارند، ابتدا
16
00:00:44,060 –> 00:00:45,800
یکی از الگوریتم های عجیب و غریب را مورد بحث قرار می دهیم.
17
00:00:45,800 –> 00:00:47,750
خانواده
18
00:00:47,750 –> 00:00:50,120
الگوریتمهای آنلاین به نام الگوریتم یک گذر و
19
00:00:50,120 –> 00:00:52,850
سپس میبینیم که چگونه میتوان آن را برای رگرسیون خطی اعمال کرد و
20
00:00:52,850 –> 00:00:56,000
در
21
00:00:56,000 –> 00:00:58,520
نهایت ابزارهای موجود در کتابخانه ml ما
22
00:00:58,520 –> 00:01:01,370
scikit-learn را مورد بحث قرار میدهیم و من
23
00:01:01,370 –> 00:01:02,930
شما را برای جزئیات بیشتر
24
00:01:02,930 –> 00:01:05,840
در مورد این موضوع به یک مرجع ارجاع میدهم. در پایان،
25
00:01:05,840 –> 00:01:07,670
الگوریتمهای آنلاین که گاهی اوقات
26
00:01:07,670 –> 00:01:10,280
الگوریتمهای جریان نامیده میشوند، برای چنین
27
00:01:10,280 –> 00:01:13,009
کارهایی مفید هستند، بهروزرسانیهای بلادرنگ نیاز دارند. در
28
00:01:13,009 –> 00:01:15,560
زمان مقرون به صرفه یکی از الگوریتمهای رایج
29
00:01:15,560 –> 00:01:17,479
در خانواده الگوریتمهای آنلاین،
30
00:01:17,479 –> 00:01:19,639
الگوریتم یک پاس است
31
00:01:19,639 –> 00:01:22,069
که یک الگوریتم استریم است
32
00:01:22,069 –> 00:01:24,170
که با دریافت n بوت جدید و
33
00:01:24,170 –> 00:01:27,770
تطبیق آنها با خوشههای موجود کار میکند، اگر
34
00:01:27,770 –> 00:01:30,560
در ابتدا خوشهای وجود نداشته باشد،
35
00:01:30,560 –> 00:01:32,479
مقدار به نمایش تبدیل میشود. از یک
36
00:01:32,479 –> 00:01:36,049
خوشه جدید اگر یک خوشه وجود داشته باشد،
37
00:01:36,049 –> 00:01:38,179
تابع تطبیق راه اندازی می شود و
38
00:01:38,179 –> 00:01:40,159
مقدار جدید در نمایش هر خوشه با آن مقایسه می شود
39
00:01:40,159 –> 00:01:42,079
و
40
00:01:42,079 –> 00:01:44,359
در نهایت اگر مطابقتی پیدا شود،
41
00:01:44,359 –> 00:01:46,310
مقدار جدید به این خوشه اختصاص داده می شود
42
00:01:46,310 –> 00:01:49,490
و بازنمودی را محاسبه می کند.
43
00:01:49,490 –> 00:01:51,670
برای آن خوشه
44
00:01:51,670 –> 00:01:55,009
در غیر این صورت مقدار جدید به یک
45
00:01:55,009 –> 00:01:56,689
خوشه جدید تخصیص داده می شود و به نمایش خود تبدیل می شود،
46
00:01:56,689 –> 00:02:00,020
چنین تکنیکی
47
00:02:00,020 –> 00:02:02,569
در معاملات الگوریتمی مفید است و بسیاری از
48
00:02:02,569 –> 00:02:05,380
سناریوها در اینجا ما سه مورد از آنها را برای
49
00:02:05,380 –> 00:02:08,360
محاسبه میانگین واریانس یا حتی
50
00:02:08,360 –> 00:02:11,330
انجام تحلیل رگرسیون این مدل جدید فهرست
51
00:02:11,330 –> 00:02:13,250
می کنیم. در حال حاضر یادگیری مشابه
52
00:02:13,250 –> 00:02:15,680
رگرسیون خطی معمولی است اما باز
53
00:02:15,680 –> 00:02:17,540
هم با توجه به t اهمیت بیشتری می دهد o
54
00:02:17,540 –> 00:02:19,250
وزن دهی نمایی دو مشاهدات اخیر
55
00:02:19,250 –> 00:02:20,750
56
00:02:20,750 –> 00:02:23,540
برای تغییر مشاهدات در رویکرد استاندارد
57
00:02:23,540 –> 00:02:26,180
خط به رگرسیون خطی،
58
00:02:26,180 –> 00:02:28,310
پارامترها پس از مشاهده تمام نقاط داده کالیبره می شوند،
59
00:02:28,310 –> 00:02:31,070
برعکس
60
00:02:31,070 –> 00:02:33,200
برای الگوریتم یک پاس برای محاسبه
61
00:02:33,200 –> 00:02:35,270
رگرسیون خطی وزن دار نمایی
62
00:02:35,270 –> 00:02:37,700
، معادلات باید در بازنویسی شوند. به
63
00:02:37,700 –> 00:02:40,280
روش بازگشتی به جدیدترین
64
00:02:40,280 –> 00:02:42,230
نقاط داده وزن بیشتری نسبت به
65
00:02:42,230 –> 00:02:44,600
مشاهدات قدیمی داده میشود، الگوریتم میتواند
66
00:02:44,600 –> 00:02:46,760
برای دورهای منتظر بماند که معمولاً
67
00:02:46,760 –> 00:02:50,540
سوزاندن در زمان یا سوزاندن در دوره نامیده میشود و این
68
00:02:50,540 –> 00:02:52,370
اجازه میدهد مشاهدات کافی
69
00:02:52,370 –> 00:02:54,470
جمع شوند تا نتیجه
70
00:02:54,470 –> 00:02:57,170
قابل اعتماد باشد اهمیت مقادیر جدیدتر
71
00:02:57,170 –> 00:02:59,390
توسط یک پارامتر آلفا کنترل می شود که
72
00:02:59,390 –> 00:03:01,340
قرار است توسط طراح الگوریتم تنظیم شود.
73
00:03:01,340 –> 00:03:04,160
هدف از این روش طبق معمول
74
00:03:04,160 –> 00:03:06,110
دستیابی به محاسبات سریعتر و استفاده کمتر از
75
00:03:06,110 –> 00:03:09,470
حافظه هنگام اعمال آن در معاملات hft یا
76
00:03:09,470 –> 00:03:12,980
فرکانس بالا است. روش
77
00:03:12,980 –> 00:03:14,780
حل رگرسیون خطی با وزن نمایی
78
00:03:14,780 –> 00:03:17,390
اغلب است.
79
00:03:17,390 –> 00:03:19,910
حداقل مربعات بازگشتی را در مقایسه با
80
00:03:19,910 –> 00:03:23,060
لی معمولی نامگذاری کرد مربع های st پس بیایید نگاهی عمیق تر
81
00:03:23,060 –> 00:03:25,580
به معادلات داشته باشیم و دریابیم که
82
00:03:25,580 –> 00:03:28,160
آنها ساده تر از چیزی هستند که به نظر می رسد،
83
00:03:28,160 –> 00:03:31,340
بنابراین اولین معادله y برابر است با x بتا به اضافه
84
00:03:31,340 –> 00:03:34,850
اپسیلون، این معادله خط عادی است
85
00:03:34,850 –> 00:03:37,670
که در آن پاسخ Y توسط
86
00:03:37,670 –> 00:03:40,519
متغیر مستقل X کنترل می شود. و برخی
87
00:03:40,519 –> 00:03:42,950
ضرایب به نام بتا در این مثال
88
00:03:42,950 –> 00:03:45,290
، پارامتر اپسیلون یک چیز کاملاً جدید
89
00:03:45,290 –> 00:03:47,480
در این سخنرانی است که پارامتر نویز
90
00:03:47,480 –> 00:03:50,299
فرض شده است که از یک توزیع گاوسی معمولی پیروی می کند،
91
00:03:50,299 –> 00:03:52,670
از بخش دو به یاد داشته باشید
92
00:03:52,670 –> 00:03:55,100
که ما همیشه این ایده
93
00:03:55,100 –> 00:03:58,790
از واریانس نویز و بایاس را داشتیم. این ایده
94
00:03:58,790 –> 00:04:00,920
کاملاً است. ذاتی و تقریباً هر
95
00:04:00,920 –> 00:04:03,290
مدل آماری که قرار است از آن استفاده