Список проголосовавших за комментарий "<p>Под нейронками ты же имеешь в виду в целом нейросети, а не современные эти конкретные генеративные модели?</p><p>Если обучаться — самое простое — на табличных данных. Паттерны графические это посложнее. Свечные комбинации, к слову, можно разложить в табличные данные тоже.</p><p>Если нет опыта с ML в целом, то нужно понять, какие процессы в рамках обучения модели есть — ну там очистка данных, определения target, разделение на train/test, обучение, валидация, что-то такое. ChatGPT лучше меня подскажет)).</p><p>Дальше в каждом понять, что происходит, пару примеров найти и на чем-то очень тестовом поиграться. Собрать все процессы в один и получить на выходе полный процесс на одной задаче.</p><p> </p><p>Дальше уже будет понятней, что не понятно и т.д. Дальше можно расширяться в сторону видов моделей (нейросети тоже разные бывают, в т.ч. в зависимости от типа задач), разные типы задач и т.д.</p><p> </p><p>Вообще, не все это осознали, с ChatGPT намного легче врываться в сложные темы.</p><p>А-ля: а скажи ка мне — я вот хочу за 3 дня вникнуть в тему нейросетей, а покажи мне списки тем, которые изучить, а под каждую ёмкую статейке, а под каждую понятный примерчик. А-нука придумай тестовое задание мне под каждую тему. Ну и т.д. — красота по-моему!</p><p> </p><p>Как пример тестовой задачи, берем четыре свечи, close minus open последней — таргет (что предиктим), а из первых 3-х свечей придумываем признаки, т.е. раскатываем 3 свечи в набор полей. Дальше пишем скрипт, который проходится с окном 4 по свечным данным и раскатывает их в признаковое описание и таргет, ну и дальше обучаемся и смотрим, как на незнакомых данных модель способна предиктить.</p>"