Ինչպես սովորեցնել կրիպտո-սկաներին չխաբել ինքն իրեն. AltScanner-ի ML մասը
AltScanner-ի մշակողները ներկայացրել են մեքենայական ուսուցումը առևտրային սկաների մեջ ներդնելու մոտեցում՝ շեշտը դնելով տվյալների որակի և մոդելի «ինքնախաբեությունը» կանխելու վրա: Փոխանակ ալգորիթմը անմիջապես շուկայական մոմերի վրա ուսուցանելու, թիմը սկսել է շուկայի վիճակի ֆիքսման հուսալի համակարգի և հետաձգված մակնշման մեխանիզմի ստեղծումից: Սա թույլ է տալիս խուսափել տիպիկ սխալներից, ինչպիսիք են ապագայի տվյալների օգտագործումը կամ չփակված մոմերի սխալ մեկնաբանումը: ML-կոնտուրը աշխատում է հիմնական երկառանցք գնահատման համակարգին զուգահեռ (D՝ ուղղություն, A՝ ակտիվություն)՝ վերլուծելով 13 թոքեն USDT հավերժական շուկայում 15, 60 և 240 րոպե ժամանակային միջակայքերում: Մոդելը չի փոխարինում գոյություն ունեցող ցուցիչներին, այլ լրացնում է դրանք՝ ուսումնասիրելով հատկանիշների և գնի շարժման միջև կապը: Այս մոտեցումը ապահովում է համակարգի մեկնաբանելիությունը և բարձրացնում կանխատեսման ճշգրտությունը՝ պահպանելով առևտրային ազդանշանների թափանցիկությունը օգտատերերի համար:
This is a summary. Read the full article at the original source:
HabrԿապակցված
Meta-ի նոր AI գործակալը ցանկանում է ավելի անձնական դառնալ ձեզ համար
Meta-ն ներկայացրել է իր վերջին նորարարությունը՝ Muse AI գործակալը, որը նախատեսված է որպես օգտատերերի համար խիստ անհատականացված օգնական հանդես գալու հա…
Ի՞նչ է կատարվում OpenAI-ի և Նավիե-Ստոքսի հավասարումների շուրջ ծագած վեճի հետ
OpenAI-ը վերջերս հայտարարել է մաթեմատիկայի ոլորտում նշանակալի առաջընթացի մասին, որը վերաբերում է Նավիե-Ստոքսի հավասարումներին, որոնք նկարագրում են հեղ…
Խոշոր լեզվական մոդելները մշակում են նոր սոցիալական կողմնակալություններ՝ ադապտիվ ուսուցման միջոցով
OpenReview-ում հրապարակված վերջին գիտական աշխատանքը ուսումնասիրում է, թե ինչպես կարող են խոշոր լեզվական մոդելները (LLM) ձեռք բերել և դրսևորել նոր սոցի…