-
Posts
1,637 -
Joined
-
Last visited
-
Days Won
6
Content Type
Profiles
Forums
Downloads
Everything posted by Omesmo
-
links úteis: com o gpt em alta e a facilidade de novas ideias achei interessante discutir sobre o assunto do possivel uso de redes neurais em loterias começar com uma pequena lista de redes neurais existentes Perceptron simples: é a rede neural mais simples, usada para problemas de classificação binária. Consiste em um único neurônio que recebe uma entrada e produz uma saída. Redes neurais de alimentação direta (feedforward): essas redes são compostas por uma série de camadas de neurônios, onde os sinais de entrada são transmitidos pela rede, camada por camada, até a camada de saída. Essas redes são usadas principalmente para problemas de classificação e regressão. Redes neurais recorrentes (recurrent): diferentemente das redes de alimentação direta, as redes neurais recorrentes permitem a conexão entre neurônios de camadas anteriores e neurônios de camadas posteriores. Essas redes são usadas principalmente para problemas de sequência, como previsão de séries temporais e análise de texto. Redes neurais convolucionais (convolutional): essas redes são usadas principalmente em problemas de visão computacional, como reconhecimento de imagem e classificação. Eles são compostos por camadas de neurônios chamados "filtros" que convoluem a entrada para extrair características relevantes. Redes neurais de Kohonen (self-organizing): essas redes são usadas principalmente para visualização de dados e agrupamento. Eles são compostos por neurônios organizados em uma rede bidimensional e são treinados para formar agrupamentos de dados semelhantes. Redes neurais de memória de longo prazo (long short-term memory - LSTM): essas redes são um tipo de rede neural recorrente que pode lembrar informações por um período mais longo. Eles são frequentemente usados para processamento de linguagem natural e reconhecimento de fala. Redes neurais geradoras adversárias (generative adversarial networks - GAN): essas redes são usadas para gerar dados sintéticos realistas, como imagens e vídeos. Eles são compostos por duas redes: uma rede geradora que cria dados sintéticos e uma rede discriminadora que tenta distinguir entre dados reais e sintéticos. Redes neurais autoencoder: essas redes são usadas para reduzir a dimensionalidade de dados e extrair características relevantes. Eles são compostos por duas partes: um codificador que transforma os dados de entrada em uma representação compacta e um decodificador que reconstrói os dados de saída a partir da representação compacta. Redes neurais de memória externa (memory augmented neural networks): essas redes usam uma memória externa para armazenar informações relevantes e facilitar o aprendizado de tarefas complexas, como aprendizado de máquina por reforço. Redes neurais profundas (deep neural networks): essas redes são compostas por muitas camadas de neurônios e são usadas para aprender representações complexas de dados. Eles são frequentemente usados em problemas de visão computacional, processamento de linguagem natural e reconhecimento de fala. Redes neurais de feedback (feedback networks): essas redes utilizam um mecanismo de feedback que permite ao neurônio ou conjunto de neurônios reajustar seu próprio peso ou a saída do conjunto de neurônios. Redes neurais de aprendizado profundo (deep learning networks): são redes neurais com múltiplas camadas que utilizam algoritmos de aprendizado de máquina para modelar e abstrair dados complexos. Redes neurais de Mapa Auto-Organizável (self-organizing map): essas redes utilizam algoritmos de aprendizado não-supervisionado para mapear dados multidimensionais em um mapa bidimensional de neurônios. Redes neurais de impulso (spiking neural networks): são redes neurais que usam impulsos em vez de sinais contínuos para transmitir informações. Redes neurais dinâmicas (dynamical neural networks): são redes neurais que modelam sistemas dinâmicos complexos, como sistemas biológicos, econômicos e físicos. Redes neurais de feedback temporal (temporal feedback neural networks): essas redes utilizam um mecanismo de feedback para permitir a retroalimentação temporal na rede. Redes neurais probabilísticas (probabilistic neural networks): são redes neurais que utilizam técnicas de probabilidade para modelar e classificar dados. Redes neurais de Hopfield: são redes neurais usadas para solução de problemas de otimização, como o problema do caixeiro viajante e o problema de coloração de grafos. Redes neurais de Boltzmann restrita (restricted Boltzmann machines): são redes neurais usadas para aprendizado não-supervisionado de representações de dados, geralmente em problemas de visão computacional. Redes neurais de atenção (attention networks): são redes neurais usadas em tarefas de processamento de linguagem natural que permitem que a rede preste atenção a partes específicas da entrada. Redes neurais de memória de curto prazo (short-term memory networks): são redes neurais usadas para lidar com sequências de entrada, como processamento de linguagem natural e reconhecimento de fala. Redes neurais de memória episódica (episodic memory networks): são redes neurais usadas para modelar a memória episódica, ou seja, a capacidade de lembrar eventos específicos. Redes neurais liquidas (liquid-state machines): são redes neurais compostas por neurônios altamente interconectados que são usados para modelar sistemas dinâmicos. Redes neurais de fluxo (flow-based neural networks): são redes neurais usadas para modelar distribuições de probabilidade. Redes neurais de polinômio radial (radial basis function networks): são redes neurais usadas para aproximar funções em espaços multidimensionais. Redes neurais de crescimento de árvores (growing neural trees): são redes neurais que crescem dinamicamente a medida que recebem novos dados de entrada, permitindo adaptação a novos padrões. Redes neurais convolucionais (convolutional neural networks): são redes neurais usadas para processamento de imagens, utilizando filtros convolucionais para detectar características específicas nas imagens. Redes neurais de adversários geradores (generative adversarial networks): são redes neurais compostas por um gerador e um discriminador que trabalham em conjunto para gerar dados sintéticos que se assemelham aos dados reais. Redes neurais de memória de longo prazo (long-term memory networks): são redes neurais usadas para lidar com sequências de entrada e lembrar informações por um longo período de tempo. Redes neurais de rede recorrente (recurrent neural networks): são redes neurais que permitem que informações sejam transmitidas de uma etapa de tempo para a próxima, permitindo a modelagem de sequências de dados. Redes neurais hierárquicas (hierarchical neural networks): são redes neurais compostas por múltiplas camadas que processam informações em diferentes níveis de abstração. Redes neurais híbridas (hybrid neural networks): são redes neurais compostas por diferentes tipos de camadas e que são usadas para resolver problemas complexos. Redes neurais de aprendizado não supervisionado: essas redes neurais são usadas para encontrar padrões escondidos nos dados sem o uso de rótulos ou categorias pré-determinadas. O objetivo é encontrar estruturas ou padrões nos dados que possam ser úteis para outras tarefas de aprendizado de máquina. Redes neurais autoencoder: essas redes neurais são projetadas para aprender uma representação compacta de dados de entrada, encontrando padrões ocultos na distribuição dos dados. Redes neurais geradoras: essas redes neurais são projetadas para gerar novos dados que sigam uma distribuição semelhante à dos dados de treinamento, o que requer a descoberta de padrões escondidos nos dados de entrada. Redes neurais de Kohonen (Self-Organizing Maps): essas redes neurais são projetadas para encontrar agrupamentos e padrões nos dados de entrada e criar um mapa topológico dos padrões identificados. Redes neurais de denoising: essas redes neurais são usadas para remover o ruído de dados de entrada, o que requer a identificação de padrões escondidos nos dados que não são ruído. nao sei se tem repetidas, e ela falou que tem mais, mas a limitação de linhas dificulta depois eu vou tentar editar para deixar os nomes das redes em negrito "talvez, ainda nao sei, se me der animo de fazer"
-
como eu tinha falado, Python parece ser a melhor escolha de linguagem para testes testes em loterias, é gratuito, tem varias bibliotecas de estatística , fora essas de ia e de calulos isso facilita a codificação e diminui o numero de linhas ficando menos propenso de dar erro com o gpt, fora que ele deve ser melhor codificando em python do que em vba ao meu ver o maior problema é que loteria nao é algo padrão para se usar essas coisas, então construir em cima de uma biblioteca fechada ficamos sem saber oq está sendo feito e como e nao podemos mudar o modo operante para se ajustar melhor a nossa ideia por outro lado a limitação de linhas do gpt dificulta a criação de codigos em funções comuns se o gpt tivesse aparecido uns 2 anos atras ... hoje em dia mexo nisso de loteria com muito desanimo
-
talvez o gpt seja ruim para montar os codigos, mas achoque é uma boa fonte de inspiração e de exemplos tipo pedir exemplos de previsão para loteira e depois para criar um codigo que faça o que foi explicado tipo eu pedi para um programa de gradiente e pesos , e fui pedindo para adicionais para a mesma ideia loterias não é algo padrão para estatísticas , então qualquer ideia pode ser valida
-
as vezes eu entro em termos que nao tem como ela fugir, mas sempre coloca aquela frase de aviso no final , sim isso estraga a brincadeira, mas a gente nao desiste de tentar criar uma nova criatura achei a possibilidade do codigo maneiro no uso de loteria Este código define duas funções: ContarProbabilidadesConjuntas, que conta o número de vezes que um determinado número foi sorteado em um determinado intervalo de tempo; e LogBase2, que calcula o logaritmo na base 2 de um número. Em seguida, o código usa as funções para calcular as probabilidades conjuntas para cada combinação de número e intervalo de tempo desde o último sorteio. Finalmente, a entropia conjunta é calculada usando a fórmula matemática apropriada. Este código pode ser executado para calcular a entropia conjunta dos números sorteados e seus tempos desde o último sorteio. Basta ajustar o intervalo de dados, o número máximo de números e o número máximo de sorteios de acordo com o seu caso específico. Sub CalcularEntropiaConjunta() Dim ws As Worksheet Set ws = ThisWorkbook.Worksheets("Planilha1") ' Substitua "Planilha1" pelo nome da sua planilha ' Definir o intervalo de dados Dim rngNumeros As Range, rngTempos As Range Set rngNumeros = ws.Range("A2:A51") ' Substitua "A2:A51" pelo intervalo que contém os números sorteados Set rngTempos = ws.Range("B2:B51") ' Substitua "B2:B51" pelo intervalo que contém os tempos desde o último sorteio ' Definir o número máximo de números e o número máximo de sorteios Const numMax As Long = 60 ' Substitua pelo número máximo de números (exemplo: 60 para a Mega-Sena) Const sortMax As Long = 50 ' Substitua pelo número máximo de sorteios (exemplo: 50 para um ano de sorteios) ' Calcular as probabilidades conjuntas Dim i As Long, j As Long Dim probConj(numMax, sortMax) As Double For i = 1 To numMax For j = 1 To sortMax Dim contagem As Long contagem = ContarProbabilidadesConjuntas(rngNumeros, rngTempos, i, j) probConj(i, j) = contagem / rngNumeros.Count Next j Next i ' Calcular a entropia conjunta Dim entropiaConj As Double For i = 1 To numMax For j = 1 To sortMax If probConj(i, j) > 0 Then entropiaConj = entropiaConj - probConj(i, j) * LogBase2(probConj(i, j)) End If Next j Next i ' Imprimir a entropia conjunta na célula C2 ws.Range("C2").Value = entropiaConj End Sub Function ContarProbabilidadesConjuntas(rngNumeros As Range, rngTempos As Range, num As Long, sort As Long) As Long Dim i As Long For i = 1 To rngNumeros.Count If rngNumeros(i).Value = num And rngTempos(i).Value = sort Then ContarProbabilidadesConjuntas = ContarProbabilidadesConjuntas + 1 End If Next i End Function Function LogBase2(ByVal x As Double) As Double LogBase2 = Log(x) / Log(2#) End Function
-
tbm achei interessante essa abordagem Sub CalcularEntropiaConjunta() Dim ws As Worksheet Set ws = ThisWorkbook.Worksheets("Planilha1") ' Substitua "Planilha1" pelo nome da sua planilha ' Definir o intervalo de dados Dim rngNumeros As Range, rngTempos As Range Set rngNumeros = ws.Range("A2:A51") ' Substitua "A2:A51" pelo intervalo que contém os números sorteados Set rngTempos = ws.Range("B2:B51") ' Substitua "B2:B51" pelo intervalo que contém os tempos desde o último sorteio ' Calcular as probabilidades conjuntas Dim i As Long, j As Long Dim probConj As Variant ReDim probConj(1 To 60, 1 To 50) ' Substitua 60 e 50 pelo número máximo de números e o número máximo de sorteios, respectivamente For i = 1 To 60 For j = 1 To 50 probConj(i, j) = Application.WorksheetFunction.CountIfs(rngNumeros, i, rngTempos, j) / rngNumeros.Count Next j Next i ' Calcular a entropia conjunta Dim entropiaConj As Double For i = 1 To 60 For j = 1 To 50 If probConj(i, j) > 0 Then entropiaConj = entropiaConj - probConj(i, j) * Log(probConj(i, j)) End If Next j Next i ' Imprimir a entropia conjunta na célula C2 ws.Range("C2").Value = entropiaConj End Sub
-
dá para viajar nessas ideias mirabolantes, agora imagina o tanto de trabalho que dá para classificar os dados e eliminar essas ideias de ia autônoma que o pessoal enfia no chat gpt eu estava aqui pegando mais umas dicas sobre estatisticas em loterias col ela ou ele ou "eli" aí eu pedi um codigo vba e me deu usando funçioes de planilha e pedi sem achei esse interessante Sub spearman_correlation() Dim ws As Worksheet Dim data_rng As Range Dim x_rng As Range Dim y_rng As Range Dim rank_rng As Range Dim n As Long Dim sum_x As Double Dim sum_y As Double Dim sum_xy As Double Dim sum_x_sq As Double Dim sum_y_sq As Double Dim corr_coef As Double Set ws = ThisWorkbook.Worksheets("Planilha1") Set data_rng = ws.Range("A1:C10") Set x_rng = data_rng.Columns(1) Set y_rng = data_rng.Columns(2) Set rank_rng = data_rng.Columns(3) n = x_rng.Count ' Calculate ranks of x and y Dim rank_x() As Double Dim rank_y() As Double rank_x = Ranks(x_rng) rank_y = Ranks(y_rng) ' Calculate sums of rank_x and rank_y Dim sum_rank_x As Double Dim sum_rank_y As Double For i = 1 To n sum_rank_x = sum_rank_x + rank_x(i) sum_rank_y = sum_rank_y + rank_y(i) Next i ' Calculate Spearman correlation coefficient For i = 1 To n sum_xy = sum_xy + (rank_x(i) - (sum_rank_x / n)) * (rank_y(i) - (sum_rank_y / n)) sum_x_sq = sum_x_sq + (rank_x(i) - (sum_rank_x / n)) ^ 2 sum_y_sq = sum_y_sq + (rank_y(i) - (sum_rank_y / n)) ^ 2 Next i corr_coef = sum_xy / Sqr(sum_x_sq * sum_y_sq) Debug.Print "Spearman correlation coefficient: " & corr_coef End Sub ' Function to calculate ranks of a range of values Function Ranks(rng As Range) As Double() Dim n As Long Dim ranks() As Double n = rng.Count ' Put values into an array Dim arr() As Double ReDim arr(1 To n) For i = 1 To n arr(i) = rng(i) Next i ' Sort the array Dim temp As Double For i = 1 To n - 1 For j = i + 1 To n If arr(i) > arr(j) Then temp = arr(i) arr(i) = arr(j) arr(j) = temp End If Next j Next i ' Calculate ranks ReDim ranks(1 To n) Dim last_val As Double Dim rank_sum As Double Dim ties As Long Dim tie_sum As Double last_val = arr(1) ranks(1) = 1 rank_sum = 1 For i = 2 To n If arr(i) = last_val Then ties = ties + 1 tie_sum = tie_sum + i Else If ties > 0 Then For j = i - ties To i - 1 ranks(j) = tie_sum / ties Next j ties = 0 tie_sum = 0 End If ranks(i) = i rank_sum = rank_sum + i End If last_val = arr(i) Next i If ties > 0 Then For j = n - ties + 1 To n ranks(j) = tie_sum / ties Next j End If Ranks = ranks End Function pedi uma explicação sobre como funciona
-
sim , e mesmo em liguagens com o basic do vba os erros pelo que vi podem ser dificil de solucionar para quem nao sabe muito ,alguns até para quem sabe. mas como falei, ela faz exatamente o que a gente pede só que errado eu colei 2 macros que eu tinha montado para a planilha de organiza pela estatística e ela me disse exatamente o que elas fazem e nem tem todos os dados delas Sub Contar(LL, ByVal L As Long) incrSort = incrSortL(L) Sorteio_fim = Stfim(L) - incr 'sorteio final If TipoPeriodoL(L) = 1 Then Sorteio_ini = Stini(L) - incr If TipoPeriodoL(L) = 2 Then Sorteio_ini = MAtra(Sorteio_fim) If TipoPeriodoL(L) = 3 Then Sorteio_ini = MRep(Sorteio_fim) If TipoPeriodoL(L) = 4 Then Sorteio_ini = SrepAtr(Sorteio_fim) If TipoPeriodoL(L) = 5 Then Sorteio_ini = SmRep(Sorteio_fim) ' soma das repetições If TipoPeriodoL(L) = 6 Then Sorteio_ini = SmAtr(Sorteio_fim) ' soma dos atrasos Select Case LL 'id Contagem Case 1: Call Conta_Sorteadas Case 2: Call Conta_Ausentes Case 3: Call Conta_Repetidas Case 4: Call Conta_Atrasadas Case 5: Call Maior_Atraso Case 6: Call Maior_Repetição Case 7: Call ultimo_atraso Case 8: Call ultima_situação Case 9: Call Média_ponderada_total Case 10: Call Média_ponderada_atrasos Case 11: Call Média_ponderada_Repetidas Case 12: Call Acumulado_Total Case 13: Call Força_Relativa Case 14: Call Media_da_Saida_acumulada Case 15: Call Media_do_Atraso_acumulado Case 16: Call Dezena Case 17: Call Conta_total Case 18: Call IFRAP Case 19: Call IFRAP_Periodo End Select End Sub Sub IFRAP_Periodo() Dim n As Long, a As Long For C = 1 To 25 n = 0 a = -1 R = 0 r2 = 0 For L = Sorteio_ini To Sorteio_fim Step incrSort If TabAtra(L, C) > 0 Then R = R + 1 n = n + 1 Else r2 = r2 - 1 R = R + 1 End If If TabAtra(L, C) < a Then a = TabAtra(L, C) Next a = 5 'Abs(a) / 2 B = a / 2 saida(C) = ((R * TabAtra(Sorteio_fim, C) + a) / ((n / B) ^ 2)) d = d + saida(C) Next For C = 1 To 25 saida(C) = saida(C) * d Next End Sub
-
reparei que os codigos gerados pelo gpt carregam varios erros simples, ela é melhor batendo papo sobre filosofia do que programando kkk o engraçado que ela entende exatamente o que a gente quer e faz mas os erros bobos acabam com o codigo acho que faz isso para nao colocarem ela para programar todo os codigos mas pelo menos podemos pegar exemplos de coisas que nao sabemos e ir adaptando
-
no caso no topico relacionado do que perguntamos, ou um topico só com perguntas e respostas do gpt tipo que tipo de palavras são validas em certas situações um exemplo é se voce pedi um programa, ela vai falar que nao é capaz de de fazer, o certo é pedir um codigo que faça aquilo que se quer na linguagem e formato especificado
-
kkkkkk entendi a referencia, vou colocar na conta do sr. "devo nao nego pago quanto puder" só falta saber se as falidas vai ter para entrega
-
acho que implementar no vba pode ser melhor em questão de portabilidade, e ter mudanças no codigo já que nao estamos falando do uso comum da função e sim aplicada as loterias, então provavelmente o processo tenha que ser adaptado e a gente agora tem o gpt para nos ajudar Para calcular a resposta em Hertz (Hz) com base nas entradas e saídas em forma de array, você pode criar uma função no VBA do Excel. Veja abaixo um exemplo de código: Function Hz(inputs() As Variant, outputs() As Variant) As Double Dim i As Long Dim numerator As Double Dim denominator As Double ' Calcular o numerador For i = LBound(inputs) To UBound(inputs) numerator = numerator + outputs(i) * Exp(-i) Next i ' Calcular o denominador For i = LBound(inputs) To UBound(inputs) denominator = denominator + inputs(i) * Exp(-i) Next i ' Retornar o resultado em Hz Hz = numerator / denominator End Function essa foi a resposta para isso Hz = (13 + 21 * Exp(1) ^ (-1) + 29 * Exp(1) ^ (-2) + 38 * Exp(1) ^ (-3) + 44 * Exp(1) ^ (-4) + 50 * Exp(1) ^ (-5)) / (3 + 7 * Exp(1) ^ (-1) + 8 * Exp(1) ^ (-2) + 23 * Exp(1) ^ (-3) + 36 * Exp(1) ^ (-4) + 48 * Exp(1) ^ (-5))
-
cara, serio, tá aí uma explicação de um sonho que tive quanto criança e que aconteceu logo depois tinha um pé de goiaba aqui no quintal e eu sonhei que subia para pegar uma goiaba que tinha visto madura, e o pé caia comigo em cima e eu caia em pé com a goiabeira embaixo quase me acertando nas partes baixas , como eu sofria de sonhos conscientes eu aproveitei e fui fazer umas travessuras no meio do sonho "só nao vou falar oq foi" e uns dias depois eu vi uma goiaba no alto e fui pegar, e aconteceu exatamente igual ao sonho "menos a parte de aprontar as travessuras" o pé de goiaba estava podre perto da raiz , praticamente escondido pelo solo , apesar de estar cheio de goiaba isso me intrigava, mas sempre tive essa resposta de campos magnéticos , nosso cerebro trabalha com correntes eletricas , e subconscientemente meu cerebro deve ter feito toda a analise do meio e atitudes que eu tomaria, talvez o fato de eu ter caido em pé foi pelo pre calculo tem outras situações estranhas que talvez poderia provar que o ser humano seria capaz de se comunicar mentalmente e uma pessoa em alerta nessa parte do cerebro poderia prever certas situações por mudanças eletromagnéticas
-
por isso seria bom a troca de informações sobre os tipos de perguntas que fazemos a ela e a resposta que ela dá assim aprenderíamos a fazer pedidos que gerem respostas mais completas e exatas
-
não é bem isso, é que a cada momento ela gera a logica e a resposta na hora , então a analise dela pode ser diferente a cada momento, é como ter varios significados para a mesma palavra , ou uma frase ter duplo sentido dependendo do contexto pode ver que para a mesma pergunta a cada vez que voce gera uma resposta ela fala algo diferente, é como se fossem varias pessoas respondendo a cada momento
-
o problema é que de qualquer forma tem que ter o Python eu tinha pedido para ele converter para vba mas ele incliu coisas que o vba nao aceita como X_train = dezenas(1 To num_rows - 1, 1 To num_cols) aí depois consertou isso, mas tinha isso Set model = CreateObject("LogisticRegression") aí criou um modulo de classe eu pedi para dll em c++ por que em vba essas coisas ficam lentas ele fez só uma das funções e eu pedi para colocar todo processo de treinamento no dll ela simplesmente esqueceu oq tinha feito e fez algo nada a ver kkkkk o bom que a gente aprende oq é possivel e pode fazer um pedido inicial com mais detalhes