ساخت عامل های هوشمند برای Trade بوسیله شبکه های عصبی

ساخت مدل های یادگیری ماشین برای سهام تجارت.

عنوان اصلی : Artificial Intelligence Agents and Neural Networks for Trade

سرفصل های دوره :

01 دوره های تعاملی ماموت مقدمه:
01 نحوه یادگیری آنلاین به طور مؤثر
02 اصول یادگیری ماشین:
00a یادگیری ماشین چیست
00b انواع مدل های یادگیری ماشین
00c آنچه تحت نظارت است
03 مقدمه بر پایتون (پیش نیاز):
00. معرفی به دوره و پایتون
01. متغیرها
02. نمونه های تبدیل را تایپ کنید
03. عملگر
04. مجموعه ها
05. نمونه های لیست
06. نمونه های Tuples
07. نمونه های فرهنگ لغت
08. نمونه هایی
09. شرط
10. اگر مثال بیانیه
11. حلقه
12. کارکرد
13. پارامترها و نمونه های بازگشت مقادیر
14. کلاس ها و اشیاء
15. نمونه های وراثت
16. مثالهای اعضای استاتیک
17. خلاصه و OUTRO
کد منبع
04a مقدمه رگرسیون:
پرونده های منبع
04b سهام با مدل رگرسیون خطی را پیش بینی کنید:
00 پیش نمایش پروژه
01 رگرسیون خطی چیست
02 داده های پیش پردازش برای یادگیری ماشین
03 با رگرسیون خطی پیش بینی کنید
04 نتایج مدل را تجسم کنید
پرونده های منبع
05 پیش بینی سهام با یک مدل رگرسیون چند جمله ای:
02 داده های پردازش برای رگرسیون چند جمله ای -2
03 با یک چند جمله ای 1D پیش بینی کنید
04 پیش بینی با ابعاد بالاتر رگرسیون چند جمله ای -4
05 بهترین مدل چند جمله ای -5 را پیدا کنید
06 یک مدل رگرسیون لجستیک بسازید:
00 رگرسیون لجستیک چیست
02 داده های پیش پردازش برای رگرسیون لجستیک
03 با رگرسیون لجستیک پیش بینی کنید
04 نتایج مدل را ارزیابی کنید
05 معیارهای مدل را تجزیه و تحلیل کنید
پرونده های منبع
06b ساخت یک مدل رگرسیون ایزوتونیک:
00 رگرسیون ایزوتونیک -2 چیست
01 داده بار برای رگرسیون ایزوتونیک -3
02 ساخت یک رگرسیون ایزوتونیک مدل -4
03 قطار و ارزیابی مدل 5
پرونده های منبع
07a مقدمه بر درختان:
پرونده های منبع
07b ساخت یک مدل درخت تصمیم گیری:
00 پیش نمایش پروژه 1
01 با درختان تصمیم گیری تصمیم بگیرید 2
02 داده های پیش پردازش برای طبقه بندی درخت تصمیم -3
03 ایجاد یک درخت تصمیم -4
پرونده های منبع
08 یک مدل جنگل تصادفی بسازید:
01 مدل طبقه بندی کننده جنگل تصادفی -2 چیست
02 داده های پیش پردازش برای طبقه بندی جنگل تصادفی -3
03 یک طبقه بندی کننده جنگلی تصادفی -4 را آموزش دهید
04 اهمیت ویژگی -5 را تجسم کنید
05 مدل قطار در مهمترین ویژگی ها -6
پرونده های منبع
09 ساخت K نزدیکترین همسایگان:
01a نزدیکترین همسایگان -2 چیست
01b چگونه K-nn کار می کند-3
02 داده های پردازش برای K نزدیکترین همسایگان -4
03 آموزش یک k نزدیکترین همسایگان طبقه بندی کننده -5
04 دقت مدل های مختلف -6 را تجسم کنید
پرونده های منبع
10 یک مدل طبقه بندی خوشه بندی بسازید:
01a آنچه که بدون نظارت یادگیری 2 است
01b به معنای K به معنای خوشه بندی -3 است
02 Load Data-4
03 داده های پردازش برای خوشه بندی -5
04 ساخت K به معنای مدل های خوشه بندی -6 است
05 خوشه های 7 را تجسم کنید
پرونده های منبع
13 مقدمه یادگیری عمیق:
01 یادگیری عمیق چیست
02 شبکه عصبی چیست
03 دستگاه بولتزمن محدود برنولی چیست
14 ساخت یک دستگاه بولتزمن محدود برنولی (شبکه عصبی):
01 داده بار برای شبکه عصبی -2
02 ایجاد یک شبکه عصبی -3
پرونده های منبع
15 ایجاد یک طبقه بندی کننده شبکه عصبی:
01 داده بار برای طبقه بندی
02 ایجاد یک شبکه عصبی
03 شبکه عصبی را ارزیابی کنید
پرونده های منبع