Максим Припадчев

Это задача на классификацию?

Да. Так как у тебя таргет дискретный [Стоплосс, Профит, Безубыток,Таймаут]

Как подойти к задаче?

брать и делать, так появятся более конкретные вопросы. Если абстрактно, нейронная сеть это механизм трансоформации данных, у тебя есть входные данные вложенный массив, на языке математики тензоры определенного порядка, если геометрические трансформации например скалярное произведение матриц (тензоров второго порядка), есть желаемый результат вектор из 4 значений которые можно интерпретировать как вероятности, есть функции потерь которые сравнивает "некая трансформация данных" была полезна уменьшила функцию потерь или нет, есть механизм настройки матрицы весов который позволяет понимать как увелечение или уменьшение определенного значения внутри вектора отражается на функции потерь.

Какие слои и структуры?

Рекурентная нейронная сеть, функция активации relu, кроме последнего слоя там softmax или что типа того что бы можно трансформировать вывод в вектор вероятностей.

Для обучения планирую скармливать нейронке например 1000

Без понятия тюнинг гиперпараметров, а batch size это один из параметров которые тюнятся, делаются после с наблюдением поведения других метрик на тренировочном и тестовом сете.

Надо ли как то предобрабатывать эти свечки или можно скармливать как есть OHLCV?

Надо препроцессинг для time series необходим их много гугли, но однозначно надо.

На сколькой я знаю с gpt, ты не можешь взаимодействовать с google sheets, только вопросы задавать как сделать то или иное. А вот с Gemini ты можешь взаимодействовать, с google workspace и как следствие с google sheets. На сколько это все качественно там не знаю, но начиная от официальной поддержки, ютуб мануалов, да и сам Gemini может подсказать, как с этим делом взаимодействовать.

Не думаю что google даст api для выполнения скриптов от LLM для своих сервисов. Так что предполагаю что только gemini.

Для новичков ответ очевиден, нет ничего и близко равного Deep Learning with Python, Second Edition . От инженера гугла и создателя Кeras François Chollet. Она и на русском есть, если не владеешь английским. Не много не мало гениальная книга, и доступна для людей без математического бэкграунда.

Попробуй любой из ответов вот отсюда.

1. Уверенный английский (качественные материалы и инструменты и т.д все на английском)

2. Уверенная линейная алгебра, интегральное и дифференциальное (одномерное и многомерное) исчисление. При разработке ты будешь работать с тензорами (тензор первого порядка - вектор, тензор второго порядка матрица) и их операциями и в конечном счете оптимизацией результатов этих операций.

3. Уверенный навык программирования. Реализации для взаимодействия с API нейронных сетей или классических алгоритмов машинного обучения существуют практически на любых языках, так что python не обязательно.

4. Книга именно по ML, ты должен разобраться именно в ML техниках, терминах. Получить ответ на вопрос что значит тренировать модель, как ее оценивать, как находить оптимальные параметры, каких ошибок не допускать, стратегии деления датасета и многое многое другое.

5. Много практики, и доводить все это дело до проекта. Освоить git например, освоить IDE, как следует, и т.д. Специалист растет от проекта к проекту. А не от книги или курса. Книга потенциально дает возможность вырасти, а там уже кто то ей воспользуется, а кто то нет.

Пункт два Khan Academy Там со своего уроня начинаешь, конечные цели Calculus AB, Calculus BC, Multivariable Calculus.

Относительно книг лучшее для вхождения из того что я когда то читал это deep learning with python от François Chollet. Она конечно на python, но это только код. А так она покрывает весь пайплайн создания модели и все написано очень простым языком.

1. Про взаимодействие:
программирование прикладная дисциплина, и осуществлять работу с так называемым AI может совершенно любой человек. Среди людей работающих с така называемым AI есть физики, химики, биологи, экономисты, финансисты, разработчики игр, веб разработчики, люди не имеющие четкой специализации и т.д.

2. Про разработку:
современный AI требует взаимодействия множества разных специалистов.

3. Итог:
да есть ученые работающие над созданием AI примеров много, из известных ну например, Yoshua Bengio. Это один из явных примеров именно ученого. Но есть и не ученые работающие именно над созданием новых систем AI, и работают эти люди, как в маленьких компаниях, так и в корпорациях.

в целом такие модели упоминаются, как deepfake, так же swap faces. Вбивай и гугли, репозитарии или сервисы которые такое предоставляют.

Конечно же нет.
1. Open source в широком смысле этого слова модели должны иметь широкую аудиторию.

2. Что значит какая либо метрика у компании проседает, проседает относительно чего (это медианная/ средняя метрика по индустрии), проседает относительно самих себя или может какая то более сложная метрика и т.д. Когда мы говорим "проседает" мы должны дать этому определение.

3. В целом ваш вопрос находится в сфере ответственности DA/DS. Построить интерпретируемую модель (нейронные сети таковыми не являются). Определить степень важности каждого отдельно взятого признака (ваших метрик), И затем запускать тесты на этой модели задаваясь вопросом отклонение по какой то из метрик это дело случая, это рост и все хорошо или же она "просела" и надо что то с этим делать.

1. GPT пишет код очень не стабильно, делом случая он может и не плохое решение выдать и действительно с экономить время, а иногда это даже не решение (которое не работает), а то что в среде ИИ называют "галлюцинациями" то есть написать полный бред.

2. GPT требует декомпозиции задачи на более маленькие и контроля со стороны понимающего человека, стабильно выдавать решения на данный момент он не может.

3. Качество решений в различных областях сильно варьируется, в каких то он более стабилен, а в каких то его вообще нет смысла использовать.

По итогу на сегодняшний момент, без человеческого контроля вы не можете рассчитывать на стабильный результат.

Явные условия (детерминистические) это не про машинное обучение. Сама суть машинного обучения это обучение без задания явных инструкций.

Твоя проблема, большая называется "несбалансированные классы". 5 в одном 100 в другом это безнадега, модель по умолчанию имеет большую предрасположенность, что мешает обучению.

Это распространенная проблема и к сожалению простого решения (не имеет). Существуют разные стратегии, как с этим бороться, и надо пробовать, что будет работать.

Советую изучить вот эту статью на эту тему внимательно, и запастись терпением. Вот эта статья с медиума (открывается только через vpn) по крайней мере у меня, там тоже BERT и тоже решается проблема с не сбалансированным классами. Есть код. Но повторю проблема решается разными стратегиями препроцессинга (первая статья).

Я бы точно не использовал нейронку для такой задачи . Классические алгоритмы ML предпочтительнее. Ну если хочется именно нейронку то эту проблему можно классифицировать как regression problem. Какой то разницы между нейронками подходящими для решения задач регрессии не будет. гуглишь neural network for regression problem. и выбираешь. Например вот. Пример В примере используется нейросеть которая будет прогнозировать стоимость дома (похожа на твой). Плюс там не только код и ссылка имеется на google colab notebook, со всем кодом (python) так что изучай.