Guillaume Thibault

Trading Places : Quand les analystes techniques rencontrent l'intelligence artificielle

Sachant que ces images seront utilisées pour l’entraînement du modèle, simplifions les graphiques d’avantage pour réduire la mémoire et la puissance de calcul nécessaires à l’entraînement. Pour cela, diminuons la résolution de l’image, sans perdre d’information, en augmentant la taille des bandes et en utilisant plusieurs couleurs pour distinguer les différentes parties des bougies.

 

Maintenant que nous avons notre jeu de données, nous devons le diviser en un jeu de formation et un jeu de validation et nous avons besoin d’un chargeur de données pour pouvoir utiliser minibatch.

 

Le modèle

Le modèle choisi est un modèle de réseau neuronal convolutionnel (CNN), qui est une architecture de réseau neuronal profond utilisée dans les tâches de vision par ordinateur. Les filtres de convolution sont un composant clé des CNN. Ce sont des filtres qui analysent l’image pour en extraire les caractéristiques importantes.

Les filtres de convolution sont appliqués à chaque partie de l’image et sont utilisés pour extraire des caractéristiques telles que les bords, les textures et les formes. Les filtres de convolution sont définis par leurs dimensions (largeur et hauteur) et leur profondeur. Pendant l’apprentissage, le CNN ajuste automatiquement les valeurs des filtres de convolution pour optimiser les performances de la tâche de classification ou de régression.