Paragraf 1 Entropy vs türü diğer yöntemleri deneyebiliriz ama yine de aslında klasik…
- User
Paragraf 1 Entropy vs türü diğer yöntemleri deneyebiliriz ama yine de aslında klasik makine öğrenmesi yöntemleri de kullanılabilir. Stock trading hariç başka problemlerde bunun örneğini görebilirsin aslında. Biraz daha literature bakabilir misin? Bulamazsan tekrar oturup toplantı yapalım. Notasyonu ağır kısma geçtiğimizde üzerinden beraber geçeriz zaten.
Paragraf 2 Problemim için BC'nin ayrıntılı bir açıklamasına ihtiyacım var çünkü onu Doğrusal Ters Güçlendirme Öğrenmesi (LIRL) ile karşılaştırıyorum. Problemim 15 durum ve 3 eylemden oluşuyor ve durumlar arasında geçişler var, bu da onu 15 × 15 durum geçiş modeli yapıyor.
Her durum, indikatör sinyalleri ile önceki günün fiyat değişikliklerini temsil eden (-2, -1, 0, 1, 2) ve (-1, 0, 1) göstergeler içeriyor. Eylemler, sırasıyla "sat", "nötr" ve "satın al" kararlarına karşılık gelen (-1, 0, 1)'dir. Eğitim için 587 günlük veriye sahibim.
Bana BC için en uygun 3 modeli Python'da detaylı olarak hazırlar mısın?
Yukarıdaki iki paragrafta yazılanları inceleyerek bana neler yapacağıma dair bir yol haritası oluşturabilir mısın?
- Assistant
Tabii, yazdıklarınızı inceleyerek size bir yol haritası oluşturabilirim. Her iki paragrafın içeriğini dikkate alarak yapılacak adımları sıralayalım:
Paragraf 1: Entropy ve Diğer Yöntemler
-
Literatür Araştırması:
- Entropy tabanlı yöntemlerin ve klasik makine öğrenmesi tekniklerinin kullanıldığı problemlere dair literatür taraması yapın. Özellikle stock trading dışındaki uygulama alanlarında bu yöntemlerin nasıl kullanıldığını inceleyin.
- Güncel akademik makaleleri ve konferans bildirilerini gözden geçirin.
-
Klasik Makine Öğrenmesi Teknikleri:
- Klasik yöntemlerin (karar ağaçları, lojistik regresyon, k-en yakın komşu vb.) avantajlarına ve dezavantajlarına bakın. Bu süreçte elinizdeki problemi hangi yöntemlerin çözebileceğini değerlendirin.
-
Toplantı ve Notasyon:
- İhtiyacınız olan kavram ve notasyonlar hakkında daha fazla bilgi topladıktan sonra, gerektiğinde ekip arkadaşlarınızla veya danışmanınızla toplantı düzenleyin.
- Notasyonlar hakkında derinlemesine öğrenmeniz gerektiğinde, üzerinde birlikte çalışmanızı öneririm.
Paragraf 2: BC ve LIRL Karşılaştırması
-
Behaviour Cloning (BC) ve LIRL Araştırması:
- BC'nin ve Doğrusal Ters Güçlendirme Öğrenmesi'nin (LIRL) teori ve uygulama detaylarını öğrenin. Her iki yöntemin güçlü ve zayıf yönlerini anlamaya çalışın.
-
Problem Tanımlaması:
- 15 durum ve 3 eylem içeren probleminiz için geçiş modeli ve veri yapısını iyice anladığınızdan emin olun. Elinizdeki göstergelerin ve eylemlerin anlamını netleştirin.
-
Python’da Model Geliştirme:
- BC için Python'da uygun 3 farklı model geliştirin. Bu modeller arasında şunları düşünebilirsiniz:
- Basit bir Yapay Sinir Ağı (YSA): LSTM veya GRU hücrelerini kullanarak geçmiş fiyat değişikliklerine dayalı bir tahmin modeli oluşturun.
- Karar Ağaçları veya Rastgele Orman: Durum ve eylem çiftlerine dayalı olarak karar ağaçları ile sınıflandırıcı geliştirin.
- Destek Vektör Makineleri (SVM): Etiketlenmiş veriler için SVM kullanarak sınıflandırma yapın.
- BC için Python'da uygun 3 farklı model geliştirin. Bu modeller arasında şunları düşünebilirsiniz:
-
Model Eğitimi ve Değerlendirme:
- Modellerinizi 587 günlük veri üzerinde eğitin. Eğitilen modellerin performansını değerlendirmeniz ve karşılaştırmayı iyi yapmanız önemlidir.
- Model sonuçlarını analiz ederken, rastgele doğrulukla kıyaslamalar yapın ve modelleri optimize etmeye çalışın.
Her iki paragrafın gereksinimlerini göz önünde bulundurarak planınızı bu adımlara göre oluşturabilirsiniz. Hem teorik hem de uygulamalı çalışmalarınızı ilerletirken, gerekirse daha fazla detay veya yardım için danışmanlarınızla iletişimde kalın.
-
Other models, same or similar prompt
Responses were produced in different, uncontrolled contexts (system prompts, settings, prior turns). This is not a benchmark.