O'yin strategiyalari - Mashinani o'rganish agentlari va botlari murakkab strategiya o'yinlarini o'ynash yoki inson o'yinchilariga qarshi raqobat qilish uchun zarur bo'lgan o'zlarining strategik fikrlash va taktik fikrlash qobiliyatlarini rivojlantirishi mumkin. AI agentlarini raqib yoki jamoadosh sifatida birlashtirish o'yinchilarning vaqt o'tishi bilan o'z strategiyalari va ko'nikmalarini qanday rivojlanishiga moslashadigan muammolarni keltirib chiqaradi.
Mashinani o'rganishdan foydalangan holda o'yinlarni qanday loyihalashimizni rivojlantirish uchun ko'plab imkoniyatlar mavjud. Shaxsiylashtirilgan tajribalarni yaratish, qiyinchiliklarni moslashtirish, aldashni aniqlash, strategik chuqurlikni oshirish va cheksiz yangi kontent yaratish uchun aqlliroq vositalar bilan mashina o'rganish passiv o'yin-kulgini uzoq muddatli tajribaga aylantira oladi, ular yangi bo'lib qoladi va o'yinchilarni har bir qobiliyat darajasida sinab ko'rishda davom etadi. Mashinani o'rganish bizni sun'iy intellektga yaqinlashtiradi.
• ML texnikasini birlashtirish - Har bir o'yinchi uchun qiyinchilik va mukofotning mukammal muvozanati uchun moslashuvchan qiyinchilik va shaxsiylashtirishdan birgalikda foydalaning. Aqlli AI raqiblarini yaratish uchun protsessual ishlab chiqarish va strategiyalarni birlashtiring.
• ML o'yin mexanikasi sifatida - o'quv jarayonining o'zini o'yinga aylantiring. O'yinchilar eng yaxshi strategik ko'nikmalar yoki inson o'yinchilariga taqlid qilish qobiliyatiga ega bo'lgan ML agentini yaratish uchun raqobatlashadilar. Tomoshabinlar o‘z ijod namunalarini tomosha qilishdan zavqlanishadi.
• ML asosida ishlaydigan o‘yin dunyolari – Machine Learning orqali hayotga kiradigan butun o‘yin dunyolari, muhitlar, yovuz tashkilotlar, mifologiya va hokazolarni loyihalash. Dunyo o'yinchining harakatlari va tanlovlari, xotiralar va uzoq muddatli munosabatlarni rivojlantirish asosida reaksiyaga kirishadi va moslashadi.
• Qidiruv va ekspluatatsiyani muvozanatlash - Qidiruv tajribani rag'batlantiradi, lekin haddan tashqari ko'p narsa taraqqiyotga to'sqinlik qilishi mumkin. Ekspluatatsiya taraqqiyotga e'tibor qaratadi, lekin haddan tashqari ko'p narsa suboptimal mahalliy optimallikka olib kelishi mumkin. Eng qiziqarli va foydali o'yin tajribasi uchun kashfiyot (tasodifiylik) va ekspluatatsiya (optimizm) o'rtasidagi ideal muvozanatni aniqlash uchun ML dan foydalaning.
• Algoritmni suiiste'mol qilishni oldini olish - O'yinchilar ML algoritmlari va tizimlarini nohaq foyda olish uchun qanday qilib beixtiyor yoki qasddan manipulyatsiya qilishi yoki suiiste'mol qilishi mumkinligini diqqat bilan ko'rib chiqing. O'yinchining mo'ljallangan ijodkorligiga va muammolarni hal qilishga xalaqit bermasdan, suiiste'mollikni aniqlash uchun tekshiruvlarni o'tkazing.
Mashinani o'rganishdan foydalanadigan o'yinlarning mashhur misollari:
• Fortnite Battle Royale – Maqsadga ko‘maklashish, jangovar ballni ilg‘or bashorat qilish, firibgarlarni aniqlash va optimallashtirilgan o‘zaro uchrashuvlar uchun ML-dan foydalanadi. Mashhur o'yin ushbu ML tizimlari tufayli katta o'yinchilar bazasini saqlaydi.
•DOTA 2 – optimallashtirilgan oʻzaro kelishuv, mahoratga asoslangan oʻyinni bashorat qilish, oʻyinchi statistikasi asosida qahramonlarni muvozanatlash va aldashning oldini olish uchun MLni qoʻllaydi. Eng murakkab esport o'yinlaridan biri hisoblanadi.
• Counter-Strike: Global Offensive - Valve minglab o'yinchilarning sharhlari va xatti-harakatlari asosida vaqt o'tishi bilan yaxshilanadigan ilg'or ML anti-cheat tizimlarini ishlab chiqdi. Samarali ML monitoringi tufayli ochiq-oydin firibgarlarni kamdan-kam ko'ring.
• PlayerUnknown's Battlegrounds (PUBG) – optimallashtirilgan oʻzaro kelishuv, pasayish tezligini sozlash, binolarda yashirinayotgan/lager qilayotgan oʻyinchilarni aniqlash va oʻyinchi fikr-mulohazalari asosida favqulodda vaziyatlar funksiyasini sozlash uchun MLni qoʻllaydi. Maʼlumotlar va ML asosidagi oʻyin oʻyinlariga moslashuvlar tufayli 50 milliondan ortiq nusxa sotilgan.
• Destiny 2 - shaxsiylashtirilgan o'lja tushish ehtimoli, zarbalar va reydlar uchun optimal qiyinchilik egri chizig'ini aniqlash, raqobatbardosh rejimlarda mahoratga asoslangan moslashuv va foydalanish statistikasi asosida xarakter qobiliyatlari/texnikalarini muvozanatlash uchun ML-dan foydalanadi. Katta o'yinchilar jamoasi reydlar va esports sahnasida ishtirok etadilar.
• Overwatch - ML rollar navbatini moslashtirish, mahorat reytingini bashorat qilish, diqqatga sazovor joylarni yaratish, takomillashtirilgan diqqatga sazovor joylarni qidirish, xarakter qobiliyatini sozlash, xaker/cheaterni aniqlash va optimallashtirilgan o‘yin muvozanatini saqlash uchun keng qo‘llaniladi. Rivojlanayotgan esports ligasi bilan muvaffaqiyatli birinchi shaxs qahramon otishma.
• Rocket League- aldash/smurfni aniqlash, tartibsiz o‘yinlarda o‘yinchilarni mahorat darajasi bo‘yicha tartiblash, yuqori darajadagi o‘lja olish ehtimolini optimallashtirish, o‘yin vaqtiga qarab tajriba mukofotlarini moslashtirish, o‘yinchi fikr-mulohazalari va statistikasi asosida vaqt o‘tishi bilan avtomobil va to‘p fizikasini muvozanatlash uchun ML-dan foydalanadi.
• Honor of Kings (Mobile MOBA) - o‘yin uslubiga asoslangan personajlar uchun shaxsiy tavsiyalar, o‘yinchilarning mahorati va jamoa tarkibini hisobga olgan holda optimallashtirilgan kelishish, o‘yinlar davomida qiyinchilikni dinamik sozlash, skanerlash va aldash vositalarini bloklash hamda o‘yinga asoslangan optimal strategiya/belgilarni tanlash uchun ML’dan foydalanadi. tafsilotlar. Katta daromad va o'yinchilar bazasi.
• StarCraft: Remastered – ML algoritmlari moslashtirilgan sxemalar bilan avtomatlashtirilgan xarita yaratish, g‘alaba/mag‘lubiyat tarixi, o‘yinchi mahorati va tanlangan irqni hisobga olgan holda optimallashtirilgan kelishish, anomaliyalarni aniqlash orqali aldash/buzg‘unchilikni aniqlash hamda birlik statistikasi va g‘alaba foizlarini hisobga olgan holda ma’lumotlarga asoslangan balans yangilanishini ta’minlaydi. Muvaffaqiyatli real vaqtda strategiya o'yini eSports sahnasi.
• O‘yinlarda sun’iy intellekt elementlarini qo‘llash
Sun'iy intellektni o'yinlarda qo'llash
Sun'iy intellekt (AI) so'nggi yillarda tez rivojlanib, turli sohalarda, shu jumladan o'yinlarda yangi imkoniyatlarni taqdim etdi. Mashinani o'rganish, mustahkamlashni o'rganish, rejalashtirish va tabiiy tilni qayta ishlash kabi sun'iy intellekt metodologiyalarini o'z ichiga olgan holda, biz o'yinchilarga moslashadigan, shaxsiylashtirilgan muammolarni ta'minlovchi, strategik fikrlash ko'nikmalarini rivojlantiradigan va talab bo'yicha yangi kontent yaratadigan o'yin tajribalarini yaratishimiz mumkin.
AI o'yinlarni o'zgartirishning ba'zi usullari quyidagilardan iborat: moslashuvchan qiyinchilik egri chizig'i; shaxsiylashtirilgan va yuqori shaxsiylashtirilgan tajribalar; strategik AI agentlari; protsessual tarkibni yaratish; va aldashni aniqlash.
Moslashuvchan qiyinchilik egri chizig'i o'yinchilarning faolligini saqlab qolish va keyingi mahorat darajasiga optimal sur'atda o'tish uchun muammolarni o'yinchining ishlashiga qarab sozlaydi. O'yinchilar yaxshilangani sayin, qiyinchilik asta-sekin o'sib boradi va qiziqarli vazifani bajarishda davom etadi. Tadqiqotlar shuni ko'rsatadiki, o'yinchilar moslashuvchan qiyinchilikni afzal ko'rishadi, ular uzoqroq o'yin vaqtlari va umidsizlikni kamaytiradi.
Shaxsiylashtirilgan va giper-shaxsiylashtirilgan o'yinlar ko'p jihatlarni individual o'yinchilarga moslashtiradi, shu jumladan belgilar, ko'nikmalar, jihozlar, maqsadlar, hikoya, vizual va qiyinchilik. O'yinchilar o'zlarining noyob o'yin uslubi va qiziqishlarini ifodalovchi shaxsiylashtirilgan elementlarga chuqur bog'langanligini his qilishadi. Aqlli tavsiyalar yuqori sifatli o'yin va o'yinchilarning sodiqligiga olib keladi.
Strategik AI agentlari inson o'yinchilariga qarshi raqobatbardosh kurash yoki hamkorlik uchun murakkab strategiyalar va taktik ko'nikmalarni ishlab chiqadi. Agentlar oʻyin elementlari oʻrtasidagi munosabatlar haqida mulohaza yuritish, resurslardan foydalanishni optimallashtirish, oʻyinchilarga oqilona munosabatda boʻlish va strategik maqsadlarga erishish uchun mashinani oʻrganishdan foydalanadi. Ular asosiy strategiyalardan boshlanadi va asta-sekin yaxshilanadi, oxir-oqibat o'rtacha o'yinchilardan tashqarida.
Protsessual tarkibni yaratish yangi darajalar, topshiriqlar, belgilar, elementlar, dialog va original uslub va mavzuga mos keladigan xususiyatlarga ega boshqa o'yin elementlarini yaratadi. Bu cheksiz kombinatsion xilma-xillikni, takroriy o'yin qiymatini va takroriy tajribalarsiz uzoq umr ko'rish imkonini beradi. Yaratilgan tarkib o'yin tajribasini saqlab, o'yinchilarning uzoq muddatli ishtirokini ta'minlagan holda yangi bo'ladi.
Aldashni aniqlash modellari xakerlik vositalari, plaginlar, skriptlar, aimbotlar va adolatsiz afzalliklarni ta'minlaydigan boshqa mexanizmlarni ko'rsatadigan anomaliyalar uchun ma'lumotlarni tahlil qiladi. Ular buni kiritishlar o'rtasidagi fazoviy munosabatlarni, harakatlar o'rtasidagi vaqt farqlarini va o'yin o'zgaruvchilari o'rtasidagi korrelyatsiyalarni hisobga olgan holda bir nechta noto'g'ri pozitivlar bilan amalga oshiradilar. Samarali aniqlash aldashdan saqlaydi, adolatli o'yinni qo'llab-quvvatlaydi va qonuniy o'yinchilar uchun yoqimli tajriba.
O'yinlar uchun strategik AI agentlarini ishlab chiqishda ba'zi asosiy muammolar:
• Balancing Challenge and Fun - AI agentlari mag'lub bo'lishdan xafa bo'lmasdan o'yinchilarga qiziqarli vazifani taqdim etishlari kerak. Ular o'yinchilarga o'rtacha xavf tug'dirgan holda mahorat va strategiya orqali qiyinchiliklarni engishlariga imkon berishlari kerak. O'yinni qiziqarli qilish va o'yinchining umidsizlikka tushishiga yo'l qo'ymaslik uchun qiyinchilikni diqqat bilan sozlashni talab qiladi.
• Murakkab strategiyalarni ishlab chiqish - malakali o'yinchilarni o'ylash uchun etarlicha murakkab strategiya va taktikalarni ishlab chiqish juda qiyin. AI agentlari o'yin elementlari o'rtasidagi munosabatlar, optimal resurslarni boshqarish, reaktiv va proaktiv qarorlar qabul qilish va xaritani boshqarish yoki birlik tarkibi kabi strategik tushunchalarni qo'llash bo'yicha murakkab fikrlashdan kelib chiqadigan strategiyalarga muhtoj. Bu dasturiy jihatdan kodlash qiyin.
• Moslashuvchanlik - eng yaxshi AI agentlari o'yinchilarning harakatlari va xatti-harakatlariga asoslangan holda o'zlarining strategiyalari, taktikalari va qarorlarini moslashtira oladilar. Ular o'yinchilarning bir nechta o'yinlarda o'z yondashuvlarini qanday rivojlantirayotganini tushunishlari va qiyin tajribani taqdim etishda davom etishlari uchun moslashishi kerak. Bunday moslashuvchan strategik fikrlashni yaratish sun'iy intellekt yordamida erishish qiyin.
• Hissiy intellekt – Kuchli emotsional javoblar, o‘yinchining ruhiy holatini oldindan bilish va undan strategik foyda olish uchun foydalanishga urinish sun’iy intellekt agentlarini shunchaki yengib o‘tish kerak bo‘lgan to‘siqlar emas, balki xavfli raqibdek his qilishiga olib kelishi mumkin. Biroq, bunday hissiy va psixologik murakkablikka ega sun'iy intellektni rivojlantirish, ayniqsa, insoniy bo'lmagan belgilar yoki o'yin uchun juda qiyin. Bu hozirgi AI hali erisha olmagan ilg'or ijtimoiy va sog'lom fikrlashni talab qiladi.
• Shaxsni singdirish - Esda qolarli va jozibali AI agentlari xuddi inson qahramonlari kabi o'yinchilar bilan bog'lanishi mumkin bo'lgan o'ziga xos xususiyatlar, motivlar, ovozlar va xususiyatlarga ega. Ammo AI tizimlarini ishonchli tarzda noyob, murakkab shaxslar bilan ta'minlash juda katta muammodir. Ular o'yinning strategik maqsadlariga xizmat qilish bilan birga o'zlarini psixologik jihatdan boy his qilishlari kerak. Bu AI inson dizaynerlari, yozuvchilari va ovoz aktyorlari bilan solishtirganda kurashadigan ijodiy qobiliyatlarni talab qiladi.
• Cheklangan maʼlumotlar – Oʻyinchi strategiyalari, xatti-harakatlari, harakatlari va qarorlari boʻyicha murakkab sunʼiy intellekt agentlarini yetarlicha oʻrgatish uchun kamdan-kam maʼlumotlar mavjud, ayniqsa kamdan-kam uchraydigan oʻyin uslublari uchun. AI agentlari mashinani o'rganish orqali ilg'or bilim va ko'nikmalarni rivojlantirish uchun katta hajmdagi ma'lumotlarga bog'liq. O'yinlar uchun keng tarqalgan cheklangan ma'lumotlar stsenariylarida AI inson sezgi, umumlashtirish va kam ma'lumotga asoslangan aql-idrok bilan mos kela olmaydi. Taraqqiyot qilinmoqda, ammo ochiq muammo bo'lib qolmoqda.
• Vaqtli qatorlarni bashoratlashda neyron tarmoq modellari va algoritmlari.
Vaqt seriyalarini prognozlashning asosiy vazifalari:
•Qisqa muddatli prognozlash - seriyaning eng yaqin kelajakdagi qiymatlarini bashorat qilish (bir necha daqiqadan bir necha kungacha). Operatsion boshqaruv va qaror qabul qilish uchun foydalaniladi.
•O'rta muddatli prognozlash - ketma-ket qiymatlarni bir necha kundan bir necha oygacha bo'lgan oraliqda bashorat qilish. Taktik rejalashtirish uchun foydalaniladi.
•Uzoq muddatli prognozlash - oylardan yillargacha bo'lgan vaqt oralig'ida tendentsiyalar va ketma-ket qiymatlarni bashorat qilish. Strategik rejalashtirish va boshqaruv qarorlarini qabul qilish uchun foydalaniladi.
Vaqt seriyalarini prognozlash muammolarini hal qilish uchun ko'pincha statistik usullar (eksponensial tekislash, ARIMA modellari), shuningdek sun'iy intellekt usullari (neyron tarmoqlar, chuqur o'rganish) qo'llaniladi. Bunday yondashuvlar murakkab modellarni katta hajmdagi ma'lumotlarga o'rgatish va bashorat qilishning mukammal aniqligiga erishish imkonini beradi.
Vaqt seriyalarini prognozlash usullari orasida eng aniqlari quyidagilardir:
• Neyron tarmoq modellari, xususan, uzoq qisqa muddatli xotira takroriy neyron tarmoqlari (LSTM) va guruh takrorlanuvchi tarmoqlari (GRU). Ushbu modellar vaqt seriyasining namunalari orasidagi uzoq bog'liqlikni hisobga olishga qodir va murakkab chiziqli bo'lmagan dinamik tizimlarni modellashtirish uchun juda moslashuvchan. LSTM va GRU moliya, tibbiyot, transport va boshqalar bilan bog'liq ko'pgina vaqt seriyalarini prognozlash muammolari bo'yicha ajoyib natijalarni ko'rsatadi.
• Konvolyutsion neyron tarmoqlari kirish ma'lumotlarida mahalliy tuzilmalarni yaxshiroq hisobga olish imkonini berib, takrorlanuvchi tarmoqlarni to'ldirishi mumkin. Konvolyutsion takrorlanuvchi modellar (ConvLSTM) ham yuqori bashorat aniqligini ko'rsatadi.
• Mavsumiy ARIMA modeli an'anaviy statistik yondashuvdir. Vaqt seriyalarida tez-tez kuzatiladigan mavsumiy tebranishlarni modellashtirish imkonini beradi. Mavsumiy ARIMA ba'zi kuzatuv seriyalarida yaxshi aniqlikni namoyish etadi, lekin neyron tarmoq modellariga nisbatan kamroq moslashuvchanlikni ko'rsatadi.
• Eksponensial tekislash oddiy va intuitiv usuldir. Biroq, u neyron tarmoq va ARIMA modellari bilan solishtirganda, ayniqsa chiziqli bo'lmagan dinamikaga ega bo'lgan seriyalarga nisbatan pastroq prognoz aniqligiga ega.
Vaqt seriyalarini samarali prognoz qilish uchun quyidagi ma'lumotlar turlarini tayyorlash kerak:
•Vaqt qatori - vaqt o'tishi bilan har qanday ko'rsatkichning o'zgarishiga mos keladigan raqamli qiymatlar ketma-ketligi. Prognoz qilingan vaqt seriyasi tarixiy ma'lumotlarni o'z ichiga olishi kerak, shunda model tendentsiyalarni va mavsumiy tebranishlarni aniqlay oladi.
• Prediktorlar (ekzogen omillar) - bashorat qilingan vaqt qatoriga ta'sir qilishi mumkin bo'lgan qo'shimcha ma'lumotlar ketma-ketligi. Masalan, sotishni bashorat qilish uchun siz reklama xarajatlari, saytga tashrif buyuruvchilar soni va boshqalar haqidagi ma'lumotlardan foydalanishingiz mumkin. Prediktorlar ketma-ket dinamikasining aniqroq sababiy modelini yaratishga imkon beradi.
•Kategorik xususiyatlar (qo‘shimcha atributlar) – vaqt qatoridagi elementlarning xossalarini tavsiflovchi diskret xususiyatlar. Bularga hafta kunlari, oylar, hududlar va boshqalar kiradi. Kategorik xususiyatlar ma'lumotlardagi mavsumiy va fazoviy ta'sirlarni aniqlashga yordam beradi.
•Validatsiya va sinov namunalari - asosiy namunadan ajratilgan ma'lumotlar qismi. Validatsiya to'plami modelning giperparametrlarini sozlash uchun ishlatiladi va test to'plami avval ko'rilmagan ma'lumotlar bo'yicha yakuniy baholash uchun ishlatiladi. Ma'lumotlarning tasdiqlash-test bo'linishi prognozlar sifatini ob'ektiv baholashni kafolatlaydi.
•Qo‘shimcha ma’lumot (agar mavjud bo‘lsa) – ma’lumotlarni izohlash, sabab-natija munosabatlarini o‘rnatish yoki bashoratli modelni tanlashda yordam beradigan har qanday boshqa ma’lumotlar.
Reprezentativ va buzilmagan ma'lumotlarni tayyorlash bashorat qilish muammolarini hal qilishda asosiy rol o'ynaydi. Ma'lumotlarning to'liq tahlili muayyan vaziyatga mos keladigan eng yaxshi modelni tanlash imkonini beradi.
Takroriy va konvolyutsion neyron tarmoqlarga asoslangan neyron tarmoq algoritmlari yuqori darajadagi shovqin va chiziqli bo'lmagan dinamik tizimlarni modellashtirishning ajoyib qobiliyatiga ega. Bu ularni vaqt seriyalarini prognozlash muammolari uchun ideal qiladi.
Vaqt seriyalarini prognoz qilish uchun ishlatiladigan asosiy neyron tarmoq yondashuvlari quyidagilardir:
•Xotira birligi va omonimlari (LSTM va GRU) bilan takrorlanuvchi neyron tarmoqlari (RNN) eng mashhur arxitektura hisoblanadi. Ular uzoq muddatli va qisqa muddatli xotiraga ega bo'lib, ko'p qadamlar orqaga vaqtli ketma-ketlikda o'qishlarning o'zaro bog'liqligini modellashtirishga imkon beradi. LSTM va GRU ko'plab ma'lumotlarni bashorat qilish muammolari bo'yicha mukammal aniqlikni ko'rsatadi.
• Konvolyutsion neyron tarmoqlari (CNN) kirish ma'lumotlaridagi mahalliy fazoviy bog'liqlikni aniqlash uchun konvolyutsiyadan foydalanadi. Takroriy tarmoqlar bilan birgalikda CNN ikkala yondashuvdan ham foydalanishga imkon beradi. Bunday konvolyutsion takroriy modellar (ConvLSTM) tasvirlar (video prognozlash) bilan vaqtli qatorlarni bashorat qilishda eng yuqori darajaga erishadi.
•Autoregressiv integratsiyalashgan harakatlanuvchi o'rtachalar (ARIMA) an'anaviy statistik yondashuvdir. Ular chiziqli stokastik jarayonlarni va mavsumiy tendentsiyalarni modellashtirishga imkon beradi. ARIMA-larni sozlash oson, izohlash mumkin, ammo neyron tarmoq modellariga qaraganda kamroq moslashuvchan.
• WaveNet tipidagi konvolyutsion-takrorlanuvchi tarmoqlar nutq sintezi uchun maxsus ishlab chiqilgan, ammo ular kengroq ma'noda audio-vaqt qatorlarini bashorat qilish uchun ham muvaffaqiyatli qo'llaniladi.
Neyron tarmoq modellaridan foydalanish, ayniqsa LSTM, GRU va ConvLSTM, yuqori moslashuvchanlik va umumlashtirish qobiliyatiga ega bo'lgan vaqt seriyalarini prognozlashning eng yuqori aniqligiga erishishga imkon beradi. Biroq, oddiy ARIMA usullari va statistik modellar hali ham kam hisoblash murakkabligi bilan ba'zi muammolarga qo'llanilishi mumkin. Usulni tanlash uchun prognozlarning to'g'riligini, modelning murakkabligini va natijalarning izohlanishiga qo'yiladigan talablarni hisobga olish kerak.
Vaqt seriyalarini prognoz qilish uchun neyron tarmoqlardan foydalanishning yaxshi namunasi:
Birja narxini bashorat qilish. Qimmatli qog'ozlar bahosini vaqt seriyasi sifatida ko'rish mumkin, bunda har qanday vaqtda aktsiyaning qiymati uning oldingi qiymatlariga bog'liq. Neyron tarmoqlar ushbu muammo uchun juda mos keladi, chunki:
• Qimmatli qog'ozlar narxlari ko'pincha chiziqli bo'lmagan munosabatlarga va neyron tarmoqlar yaxshi modellashi mumkin bo'lgan murakkab naqshlarga ega.
• Qimmatli qog'ozlar narxiga ta'sir qiluvchi ko'plab omillar mavjud, masalan, iqtisodiy ko'rsatkichlar, sanoat yangiliklari, kompaniya faoliyati va boshqalar. Ulardan neyron tarmoqqa ko'proq kontekstni taqdim etish uchun kiritish xususiyatlari sifatida foydalanish mumkin.
• Neyron tarmoqlar prognozlar va bashoratlar uchun juda muhim bo'lgan vaqt seriyalari ma'lumotlaridagi vaqtinchalik bog'liqlikni avtomatik ravishda o'rganishi mumkin.
Kelajakdagi aktsiya bahosini bashorat qilish uchun takroriy neyron tarmoqlardan, xususan LSTM tarmoqlaridan foydalanish umumiy yondashuv hisoblanadi. LSTM tarmog'i vaqt seriyasida uzoq muddatli bog'liqliklarni qo'lga kiritishi mumkin. Ushbu yondashuvdagi ba'zi asosiy qadamlar:
Narxlarga ta'sir qilishi mumkin bo'lgan indikatorlar, yangiliklar va boshqalar kabi tarixiy aksiyalar narxi ma'lumotlarini va qo'shimcha funktsiyalarni to'plang.
Ma'lumotlarni neyron tarmoqqa uzatish uchun masshtablash va normallashtirish orqali tayyorlang. Shuningdek, poezd, tekshirish va test to'plamlariga bo'linadi.
Kirish hajmi ketma-ketlik uzunligi va funksiyalar soniga, chiqish hajmi esa prognoz qilish uchun vaqt qadamlari soniga teng bo'lgan LSTM tarmoq arxitekturasini tanlang.
LSTM tarmog'ini vaqt algoritmidan foydalanib, o'quv ma'lumotlariga o'rgating. Tasdiqlash to'plamini tasdiqlang va eng yaxshi ishlash uchun giperparametrlarni sozlang.
Yangi ma'lumotlar bo'yicha bashorat qiling va ularni kelajakdagi haqiqiy narxlarga qarab baholang. Aniqlikni aniqlash uchun MSE, MAE va boshqalar kabi ko'rsatkichlardan foydalaning.
Biznes tushunchalarini olish uchun o'qitilgan LSTM modelini tahlil qiling va sharhlang. Tarmoqning og'irliklari va parametrlari o'rganilgan munosabatlar va naqshlarni aks ettiradi.
Bu faqat bitta yondashuv, aktsiya bahosi prognozlarini yaxshilash uchun mustahkamlashni o'rganish, diqqat mexanizmlari, qarama-qarshi treninglar va boshqalarni qo'llashning yanada ilg'or usullari mavjud. Ammo LSTMlar juda yaxshi ishlaydi va boshlash uchun ajoyib joy.
| 