Leaderboard

Com a ajuda do ChatGpt transformei a planilha Lucro se 15 em 21 em um "aplicativo" para gerar jogos na Lotofácil. É bem simples e garante lucro se voce acertar as 15 dezenas dentro de um grupo de 21. Pode se usar alguns filtros tambem, como numero de pares, soma, repetidos do concurso anterior, posição das dezenas, e etc. Estou disponibilizando aqui para quem quiser testar, basta baixar, descompactar e enviar o icone do .exe para a area de trabalho.

**Lotofácil V5.1 — Rede Neural LSTM** Script desenvolvido para análise e previsão da Lotofácil utilizando rede neural do tipo LSTM. O programa analisa o histórico dos concursos, extrai padrões temporais e estatísticos e gera probabilidades para as 25 dezenas. Além da rede neural, utiliza ensemble de modelos, comparação com métodos simples como frequência histórica e aleatoriedade, validação fora da amostra e filtros estruturais para selecionar os jogos finais. O objetivo é experimental: avaliar se técnicas de aprendizado de máquina conseguem obter algum ganho estatisticamente consistente em relação aos métodos tradicionais. Desenvolvido com auxílio de IA — ChatGPT. Comando: python lotofacil_IA_v5_1.py --data dados_lotofacil.txt --predict-only

Dando continuidade a ilusão de que as IAs nos ajudarão a ganhar na loteria, segue uma rede neural em py Quando acertou bem, acertou 2 números, porém o que é certo é: perdeu - game over. Serve para estudo e confirmação do que não dá certo. O arquivo tem o script e o manual com informações técnicas para "os universitários" corrigirem. Boa Sorte! 1. Finalidade O motor_v28_1_topk_stability_audit_CONSOLIDADA.py é um motor experimental de previsão para a Mega-Sena. O programa utiliza o histórico dos sorteios para treinar um modelo neural que atribui uma pontuação às 60 dezenas e produz uma única previsão final com 6 dezenas. O objetivo é construir e avaliar um ranking estatisticamente controlado a partir das informações históricas disponíveis. O programa não afirma que sorteios aleatórios possam ser previstos com certeza; toda melhoria observada deve ser analisada fora da amostra e comparada a referências simples e controles nulos. 2. O que foi consolidado nesta revisão · Preservação da lógica preditiva da V28/V28.1: MLP puro + Differentiable Top-K. · Auditoria walk-forward concurso a concurso mantida como parte da versão de referência. · Saídas principais convertidas de CSV para TXT. · Inclusão de paired moving-block bootstrap na comparação V28.1 versus baseline Bayes. · Correção de identificadores e mensagens internas antigas de versões anteriores. · Sem introdução de nova arquitetura neural, novas features ou blend operacional com Bayes.