More Related Content Similar to 深度學習實作上的各種卡關 (10) More from Yen-lung Tsai (18) 深度學習實作上的各種卡關9. f(⽇期 x) = 某股票 x 當天的收盤價
[例⼦] 股票點數預測
這可能不是最好的描述法。也許我們比
較想要⽤用之前的情況預測我們的想知道
的那天。也就類似是上⾯面這樣的函數。
10. 假設我們把⼈分成若⼲型, 例如 9 型 (九型⼈
格), 16 型 (Myers-Briggs) 等等。於是我們想
看這是哪⼀型的⼈, 就是找這個函數:
[例⼦] 你是那種類型的⼈?
你怎麼「輸入」⼀一個⼈人呢? 在此例例通常
是經過⼼心理理測驗, 得到⼀一串串數字, 那些
數字我們就可以代表這個⼈人。
f(某⼈ x) = x 這個⼈的⼈格類型
11. f(x, y) = x, y 這兩個⼈的速配指數
[例⼦] 速配指數
我們再度碰到要把⼈人變成⼀一串串描述他的
數字。很多可以⽤用, 比如星座、⾎血型、
興趣、學歷等等我們都可想辦法轉數字。
12. f( ) = 6
[例⼦] 圖形辨識
其實這裡有兩兩個問題要討論:
1. 輸入圖形很⼤大的時候呢?
2. 輸出是 0.2, 代表什什麼呢?
28x28
16. 2016 年 5 ⽉的
TWSIAM, 聽台⼤李宏
毅⽼師介紹 Deep
Learning, 覺得很有意
思, 開始投⼊研究。
18. 標準 NN CNN RNN
Reinforcement Learning GAN
VAE
Capsule
?
重要的深度學習架構
30. Recurrent Neural Network (RNN)
ht
1
= σ (w1
xt
1
+ w2
xt
2
+ w3
h3
t−1
+ w4
h4
t−1
+ b1
)
會加⼊上⼀次的
outputs 當這次的
inputs。
40. 1 維輸⼊, 1 維輸出
200 筆訓練資料
2 層 hidden layers
每層 20 個神經元
activation function ⽤ sigmoid
隨便做都會成啦!
信⼼滿滿
51. 第 t-1 年
[Age, G, PA, AB, R, H, 2B, 3B, HR,
RBI, SB, BB, SO, OPS+, TB]
15 個 features
第 t 年全壘打數
f
54. Mike Trout (LAA)
預測 30-39
實際 33
Mookie Betts (BOS)
預測 20-29
實際 24
Jose Altuve (HOU)
預測 20-29
實際 24
Kris Bryant (CHC)
預測 30-39 (第⼆⾼ 20-29)
實際 29
Daniel Murphy (WSH)
預測 20-29
實際 23
Corey Seager (LAD)
預測 20-29
實際 22
2017 預測結果
(今年 6 ⽉預測)
57. 過去 20 天的資料
(20x6 的矩陣) f
1
2
3
4
5
買 20 單位
買 10 單位
不做交易
賣 10 單位
賣 20 單位
五種 actions
58. CDQN 無腦法 CDQN 無腦法
ETF1 17.71% 10.89% ETF11 10.76% 5.26%
ETF2 16.53% 12.6% ETF12 10.19% 13.17%
ETF3 16.3% 0.35% ETF13 7.8% 1.42%
ETF4 14.4% 13.25% ETF14 6.23% 3.56%
ETF5 14.3% 12.7% ETF15 5.73% 4.61%
ETF6 13.91% 13.37% ETF16 3.78% -12.76%
ETF7 13.17% 10.52% ETF17 2.85% 5.83%
ETF8 12.35% 17.07% ETF18 1.59% -4.45%
ETF9 11.68% 10.81% ETF19 1.07% -18.09%
ETF10 11.09% 8.14% ETF20 -0.59% -0.75%
交易結果