Вы можете прочитать эту статью и совершенно не понять, о чем я говорю… Глубокое обучение? … Волк на Уолл-Стрит?… Что общего между этими вещами? другой? Что ж, давайте сначала вернемся назад и поймем, что вообще означают некоторые из этих понятий. Глубокое обучение относится к области искусственного интеллекта (ИИ), которая представляет собой моделирование процессов человеческого интеллекта машинами. По сути, мы пытаемся заставить машины вести себя как люди. Да, да, конечно, вы должны думать о захвате роботов и терминаторах, но на самом деле мы могли бы использовать ИИ, чтобы сделать нашу жизнь НАМНОГО проще. Когда вы проснулись, сколько времени вам понадобилось, чтобы приготовить завтрак? Что, если завтрак уже был готов, когда вы встали с постели? Что ж, это то, на что способен ИИ, но очевидно, что ИИ может делать гораздо больше, чем просто делать вафли и яйца…

Погружаемся глубже в ИИ и машинное обучение

Теперь, во-первых, мы вроде бы понимаем, что такое ИИ, но как он на самом деле работает? Хорошо, позвольте мне объяснить это для вас. Во-первых, у ИИ много разных ответвлений, но ради экономии времени и чтобы вы не совсем запутались в соусе, мы рассмотрим только одно ответвление ИИ: машинное обучение. Машинное обучение использует данные для улучшения того, как машина будет выполнять действие. Например, каждый раз, когда вы прокручиваете свой Instagram или TikTok, происходит алгоритм машинного обучения, который использует данные из того, что вам нравится просматривать. Затем он возьмет данные и точно поймет, какой контент вам нравится просматривать, после чего на вашей странице «Для вас» или на странице «Изучение» появится больше похожего контента. Как-то жутко не правда ли? Машины изучают каждое ваше движение. Хорошо, теперь, когда мы понимаем машинное обучение, давайте разобьем его на разные концепции. Да, я знаю, столько ответвлений идей.

Здесь мы видим, что существует несколько типов машинного обучения, и сегодня мы сосредоточимся на глубоком обучении. Глубокое обучение — это анализ больших объемов данных и использование нейронных сетей и алгоритмов, вдохновленных человеческим мозгом, для изучения данных и распознавания закономерностей. Теперь большой концепцией здесь являются нейронные сети… WTH это?? Представьте, что вы проходите через службу безопасности аэропорта. Ежедневно через систему безопасности проходит множество людей, и охранники должны по существу обработать всех этих людей и понять, могут ли они представлять угрозу или нет. Это что-то вроде нейронной сети, так как данные обрабатываются через эти сети, они будут распознавать закономерности в данных, и не будет только одного слоя охранников... их будет много, чтобы найти сильных соединения. Хорошо, а теперь давайте перейдем к самому интересному… пора связать это с Волком на Уолл-Стрит.

Итак, как вы могли стать следующим Джорданом Белфортом?

Если вы не знаете, кто такой Джордан Белфорт, то, по сути, это очень известный чувак-инвестор, которого поймали на мошенничестве, но о котором сняли фильм из-за его безумно «авантюрной» жизни. Теперь мы собираемся проигнорировать все плохие вещи, которые он сделал, и сосредоточимся на том факте, что он был отличным инвестором в акции и знал, какие из них будут работать хорошо. Фондовый рынок всегда был известен как нечто непредсказуемое и временами случайное. Ни один инвестор не смог точно предсказать, как поведет себя акция. Ах, вы видите, как наши машины, которые однажды захватят мир (шутка), могут помочь в этом? Используя глубокое обучение, мы можем по существу проанализировать эти прошлые огромные объемы данных об акциях и иметь возможность прогнозировать цену акции. Представьте себе силу этого… силу возможности знать, как поведет себя акция в будущем. Это может дать вам возможность стать этим мемом.

Хорошо, теперь, пожалуйста, не поймите меня неправильно, это не значит, что теперь вы можете просто пойти и уверенно предсказать будущее любой акции, потому что тогда все были бы богатыми, и как вообще работал бы фондовый рынок? Фондовый рынок всегда будет нестабильным и изменчивым, и с помощью глубокого обучения мы можем понять закономерности в прошлых данных по акциям. Мы можем научить машину просматривать эти данные так, как на них смотрел бы хороший инвестор, за исключением того, что она могла бы обрабатывать огромное количество данных и выявлять еще больше закономерностей в данных.

И что теперь?

Что ж, моим следующим шагом после написания этой статьи будет воссоздание моей собственной версии того, что я только что обсуждал в этой статье, и еще более глубокое погружение в глубокое обучение. Ха, каламбур. Я попытаюсь сам спрогнозировать цену акций с помощью глубокого обучения и посмотреть, смогу ли я сам стать следующим азиатским Джорданом Белфортом… хотя, очевидно, без криминального прошлого. Если вам понравилось то, что вы прочитали, пожалуйста, напишите мне и дайте мне знать, как я могу улучшить свои будущие статьи. Спасибо!