AI算力陷阱4：automl傻瓜式神经网络与金融量化
神经网络，深度学习自从AlphoGo围棋人机大赛后，除了图像识别、nlp语义分析（包括语音识别合成）这两大领域，基本上可以达到商业级水准。
其他领域，却又陷入坑。
几年来，TF，torch版本从0.1 升级到2.x，系统应用的绝对准确度，提高不超过5%。
不像当年的mnist深度学习案例首发，颜惊全球。
图像，语义、声音，都属于高容错性项目，一张照片，残余20-30%，都可以认出本人。
其他领域，特别是金融量化，这种高精度的分析工作，操盘手的操作策略，类似艺术家灵感，至今，属于不可描述之领域，更别说定量分析。
AI人工智能，神经网络，大方向没错。
请大家关注TOP极宽量化公众号，大量原创Python量化技术资料和课件、案例源码。
目前推广期间，关注公众号，即可免费浏览。
目前虽然的AI人工智能，全自动全智能模式，算力不够，但作为人工策略的辅助工具，已经足够。
例如，对于数据的清洗，奇点数据的筛选，策略的参数优化，这些都可以零成本，零周期，快速完成。
虽然:AI智能投顾，目前全世界没有一家成功的案例。
但是，AI辅助投资决策，已经是全球各大一线金融公司，必不可少的基本IT设施，就像电脑和网络一样，已经成为行业的标配。
人工专家设计策略模型，AI神经网络优化模型参数，筛选数据。
这种迭代方式，也是，目前行业的惯例。
在零起点系列，机器学习、神经网络快速入门的图书里面，笔者曾经说过：
金融和其他应用领域 最好是kares，现在，有了automl，有了auto-keras，更加方便强大。
下面是autokeras的titanic泰坦尼克号的案例，就三行代码，其中一行还是输出分析信息：
clf = ak.StructuredDataClassifier(max_trials=30)
clf.fit(x=’PATH_TO/train.csv’, y=’survived’)
print(‘Accuracy: {accuracy}’.format(
accuracy=clf.evaluate(x=’PATH_TO/eval.csv’, y=’survived’)))
读入csv数据，系统即可直接fit：挑选模型建模，自动优化参数，然后直接predict输出预测方向结果，完全傻瓜式。
automl相当于自动无人驾驶， 以前ai人工智能，需要学习驾驶，考驾照。
而且，大部分情况下，automl设计的模型则 比人工模型。
神经网络现在是黑箱，人工调参，都是依托经验参数，问题是经验需要积累，人工时间有限。
AI人工智能领域的老司机，没有几年经验是熬不出头的。
所以AI领域，大家都把建模调参，称为：炼丹。
目前，笔者正在选型中：autoks，微软的nni，还autooytorch。
个人倾向pytorch体系，不过autoks现在最完善。
请大家关注TOP极宽量化公众号，大量原创Python量化技术资料和课件、案例源码。
目前推广期间，关注公众号，即可免费浏览。
|Archiver|手机版|小黑屋|zwPython.com研习社
发表于 2020-8-4 09:14:48
