Omesmo

tem as funções de ativação, sabe aquelas equações complicadas tipo: o gpt falou que é isso Function sigmoid(x As Double) As Double sigmoid = 1 / (1 + Exp(-x)) End Function

sim, muita coisa, mas nao vamos usar todas pelo que o gpt me explicou um primeiro ponto que temos que fazer é normalizar os dados no caso seria (X_norm = (X - X_min) / (X_max - X_min)), exemplo da mega com a dezena 50 (50-1)/(60-1)

é né, até poderia, mas já criei o topico mas tbm tem o fato que falar com uma ia é diferente de decidir uma ia para o serviço kkkk o foco no caso seria a criação de uma rede neural para usar em loteria e nao pegar ideias sobre loterias com uma rede neural

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"

em falar de redes neurais acho que vou abrir um topico para discutir sobre o assunto e como se pode adaptar para loterias, estou pegando uma lista com os diferentes tipos de redes neurais com o gpt, existem muitos tipos, e acho que seria legal definimos as mais relevantes para loterias

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

quando o gpt parar no meio do caminho é só escrever "continue de onde parou", se escrever só " continue" as vezes repete e acaba parando novamente sem completar, mas tem que observar pq as vezes ele come letras, ou se tiver muitas funções separadas ele vai refazendo direto

o triste é ver tantas possibilidades interessantes e nao poder colocar em pratica sera que ele'a consegue criar um codigo que combina as 3 questões ?

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

fui pedir para melhorar o codigo e só me deu um monte de regras de progrmaçao kkk aí eu tive que recotar oq ela falou e colcar para ela fazer o codigo, ela só refez o codigo com as regras de programação

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

eu gosto de inventar umas historias mirabolantes, o bom que nao sou chamado de mentiroso kkk

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

nao sei se estamos treinando ela ou ela que está nos treinando para fazer perguntas mais inteligentes para conseguimos o que queremos

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

provavelmente mas eu estou sem pc para testar essas coisas mesmo, e prefiro vba com excel