bitcoin
bitcoin

$64557.648852 USD

-0.24%

ethereum
ethereum

$1828.511433 USD

0.69%

tether
tether

$0.999046 USD

0.00%

bnb
bnb

$592.711732 USD

0.04%

usd-coin
usd-coin

$0.999776 USD

0.01%

xrp
xrp

$0.960408 USD

0.46%

solana
solana

$72.759121 USD

2.17%

tron
tron

$0.306146 USD

1.23%

hyperliquid
hyperliquid

$69.748274 USD

5.04%

zcash
zcash

$919.909518 USD

3.36%

monero
monero

$498.240193 USD

2.87%

dogecoin
dogecoin

$0.058956 USD

0.13%

unus-sed-leo
unus-sed-leo

$9.310237 USD

1.15%

chainlink
chainlink

$9.171915 USD

0.34%

cardano
cardano

$0.153379 USD

0.36%

Vidéo d’actualité sur les crypto-monnaies

Votre réseau neuronal n’apprend pas de modèles. C'est mémoriser le bruit.

May 10, 2026 at 06:57 am grab ATTENTION

Un réseau neuronal analyse un indice boursier, identifie une trajectoire et prédit une tendance à la hausse confiante. Ensuite, le marché s’effondre et le modèle passe complètement à côté. Non pas parce que l’architecture était trop simple. Pas parce que les données d'entraînement étaient trop petites. Parce qu’il n’y avait aucun signal pour apprendre en premier lieu. Dans cette vidéo, nous décrivons la frontière mathématique entre les données qui peuvent être prévues et celles qui ne le peuvent pas, et nous expliquons pourquoi les modèles d'apprentissage profond les plus sophistiqués échouent lorsqu'ils ne peuvent pas faire la différence. Ce que vous apprendrez : 0:00 — Pourquoi l'apprentissage profond prédit avec confiance la mauvaise chose 0:53 — Le bruit blanc : la base mathématique du pur hasard 1:55 — La marche de l'ivrogne et pourquoi les données financières ont une mémoire qui se construit sur elle-même 2:43 — L'illusion visuelle qui trompe à la fois la psychologie humaine et les algorithmes d'apprentissage automatique 3:12 — Que se passe-t-il réellement lorsque vous entraînez un réseau neuronal sur une marche aléatoire 3:45 — L'hypothèse des marchés efficaces et Eugene Le cadre de Fama 4:25 — Pourquoi les prévisions naïves battent les modèles complexes dans des systèmes hautement efficaces 4:49 — Trois lignes de Python qui prouvent à quel point le bruit et la tendance sont réellement similaires 6:07 — La limite structurelle qu'aucune optimisation ne peut franchir Script Python complet dans le dépôt. Exécutez la simulation de bruit blanc et de marche aléatoire sur votre propre machine. Dépôt de code : https://github.com/NiketGirdhar22/time-series Vidéo précédente : Stationnarité et test ADF : https://youtu.be/RmWrGKMWVgE?si=jb3MHdy1AUHddXfY Playlist de la série complète : https://youtube.com/playlist?list=PLguYZSl_jixxmzPOCNSisBAwyTAvobU3d&si=mWewadYWzOii_IyH Références Fama, EF (1970) — Marchés de capitaux efficaces : examen de la théorie et des prévisions de preuves empiriques : principes et pratiques — Hyndman et Athanasopoulos Documentation aléatoire et cumsum NumPy : numpy.org Note de transparence Cette vidéo a été réalisée à l'aide d'outils assistés par l'IA pour la structuration du script, la narration et les visuels. Les idées, la direction éditoriale et le cadre d'apprentissage sont les nôtres. L’IA a été utilisée comme couche de production, et non comme réflexion derrière elle. Les questions sur notre processus sont les bienvenues dans les commentaires. #timeseries #datascience #python #machinelearning #randomwalk #whitenoise #forecasting #efficientmarkets #neuralnetworks #deeplearning #stockmarket #dataanalysis #learnpython
Source vidéo:Youtube

Clause de non-responsabilité:info@kdj.com

Les informations fournies ne constituent pas des conseils commerciaux. kdj.com n’assume aucune responsabilité pour les investissements effectués sur la base des informations fournies dans cet article. Les crypto-monnaies sont très volatiles et il est fortement recommandé d’investir avec prudence après une recherche approfondie!

Si vous pensez que le contenu utilisé sur ce site Web porte atteinte à vos droits d’auteur, veuillez nous contacter immédiatement (info@kdj.com) et nous le supprimerons dans les plus brefs délais.

Autres vidéos publiées sur Nov 18, 2026