Forex 파이썬 기계 학습

Jon V.
빅 데이터. 시작. 거래.
빅 데이터. 시작. 거래.
Machine Beats Human : Forex에서 기계 학습 사용.
기계 학습 및 거래는 매우 흥미로운 주제입니다. 그것은 또한 당신이 시간과 코드를 작성하는 시간을 소비 할 수있는 주제이며 마리오 카트를 재생하는 동안 아이가 당신을 이길 수 있습니다.
다음 글에서 우리는 다음과 같이 이야기 할 것입니다.
항목을 최적화하고 종료하십시오. 이것 만이 당신의 뱅크 롤에 큰 변화를 가져올 수 있습니다. 위치 크기 계산 (켈리 기준이 마음에 들지 않을 경우를 대비하여) 서로 다른 쌍 (쌍 거래) 간의 가능한 상관 관계를 찾습니다. 나는 EURUSD 대 GBPJPY 상관 관계를 좋아합니다! 지원 계산 & amp; 저항선.
그러나 기계 학습이란 무엇입니까?
기계 학습 알고리즘은 기계가 데이터의 패턴을 식별 할 수있는 알고리즘입니다. Yeap, 간단합니다. 예를 들어, 이 사진에있는 모든 동물을 찾아 주변에 상자를 그립니다. 또한 그 동물의 이름을 지어주십시오. 미쳤어. 당신이 상상할 수있는 것처럼 그것은 꽤 유사합니다 :
기계가 "배우기"위해서는 옳고 그른 것을 가르치거나 (감독 학습) 큰 데이터 세트를주고 그것이 자연스럽지 않게 (감독되지 않음) 갖춰야합니다. 객체 식별을 위해 이것은 간단하지만 거래는 어떻게됩니까?
S / R 라인을 식별 할 수 있지만 아무 소용이없는 기계 학습 프로그램이 있는지 살펴 보았습니다. 그래서 파이썬에서 지원 및 저항 라인을 식별하는 Python으로 최초의 기계 학습 프로그램을 작성하기로 결정했습니다. 또 하나! 만세!
그러나 알고리즘이 어떻게 이러한 영역을 식별 할 수 있습니까? Hoooooow? 숙녀와 신사 (그리고 로봇)는, 이미지 인식을 위해 주로 사용되는 감독되지 않는 알고리즘 인 MeanShift를 소개하고 설치 및 실행은 매우 쉽습니다 (그러나 매우 느립니다).
아이디어는이 알고리즘을 통해 내 데이터 (외환 틱)를 영역으로 분할 한 다음 지원 및 저항선으로 "가장자리"를 사용할 수 있다는 것입니다. 멋진 생각이지만 작동합니까?
우리는 2014 년에 EURUSD의 데이터 포인트를 약 1,200 만 개 분석하고 2015 년에 2 개월을 분석합니다. 저항선은 기계 학습 알고리즘에 의해 자동으로 배치됩니다.
정말 멋지다는 것은 그 알고리즘이 꽤 많이 손톱을 맞는다는 것입니다. 손질이 힘들어. 마이크로 구조를 식별하고 스캘핑을 시작하기 위해 알고리즘을 사용할 때 정말 짜증이납니다.
이 시스템은 모든 종류의 timeseries 데이터 (주식, 외환, 금 등)를 처리 할 수 ​​있으며 데이터 및 기계 생성 S / L로 html 대화식 차트 (위의 차트와 같음)를 렌더링합니다. 코드가 너무 미쳤습니다.
이제 코드를 살펴 보겠습니다. 데이터 세트를 읽은 후에 데이터를 읽고 정리해야합니다. 팬더 마술을 준비하십시오.
빈 값 (주말)을 버린 다음 데이터를 24 시간 촛대 (ohcl)로 리샘플링합니다. 이렇게하면 훨씬 쉽게 그릴 수 있습니다. grouped_data는 ml 알고리즘에 제공 할 데이터입니다.
그런 다음 우리는 알 고에서 사용할 데이터를 준비합니다.
다음 글에서는이 작업을 더 잘 만들고, 매우 흥미로운 결과 (알고리즘이 미래에 대해 실제로 예측할 수 있는가?)에 대해 토론하고, 자신의 거래에서이를 사용하는 방법에 대해 논의 할 것입니다. 다음 기사를 확인하고 알고리즘을 사용하여 거래 및 투자에 대해 자세히 알아 보려면 뉴스 레터에 가입하십시오.
다음에 오르다 : 기계 학습이 지나간다 - 코드를 사용하여!
더 많은 의견이 있으면 jonromero에서 ping을하거나 뉴스 레터에 가입하십시오.
법적 근거. 이것은 실험 및 재미를위한 알트 레이팅 플랫폼을 구축하는 방법에 대한 엔지니어링 자습서입니다. 여기에있는 모든 제안은 재정 조언이 아닙니다. 거래 조언을 따랐거나이 시스템을 프로덕션 환경에 배치했기 때문에 돈을 잃어버린다면이 임의의 블로그 (및 / 또는 저)를 비난 할 수 없습니다. 자신의 책임하에 즐기십시오.

Forex 파이썬 기계 학습
많은 사람들이 소리를 정말 복잡하게 만들고 싶어하지만 기계 학습은 매우 간단하며 기계 분류로 가장 잘 계획 할 수 있습니다. 기계 학습은 우리가 그래픽으로 표현할 수있는 크기를 초과 할 때 빛을 발하지 만, 다음 두 가지 기능으로 기계 학습을 2D로 표현할 수 있습니다. 위 이미지는이 시리즈의 파트 11에서 가져온 것입니다. SVM (Support Vector Machine)이 작동합니다. 이 특정 예와 우리가 사용할 특정 추정자는 선형 SVC입니다. 그것이 지금 당신에게 아무런 의미가 없다면, 그것은 완전히 괜찮습니다. 위의 이미지는 다음과 같은 x, y 좌표의 데이터 세트를 통해 공급됩니다. [1,2],
보시다시피이 데이터 세트에는 더 큰 쌍과 더 작은 쌍이 있습니다. SVM이하는 일은 데이터 간의 완벽한 구분선을 찾는 데 도움이됩니다. 그런 다음이를 한 걸음 더 나아가 SVM에게 [0.8,0.92]와 같은 좌표가 속한 "그룹"을 예측하도록 요청할 수 있습니다.
2D 또는 3D와 같은 기능 (차원으로 생각)을 사용하면 인간을 시각화하고 그래프를보고 기본적인 클러스터링을 수행하는 것이 매우 간단합니다. 그러나 기계 학습은 100 개의 기능 (100 차원)을 분석하는 데 사용될 수 있습니다. 50 억 개의 샘플을 사용해보십시오.
이 시리즈는 Python 프로그래밍 언어와 Scikit-learn 모듈 (sklearn)을 사용하여 실용적이고 실용적인 방법으로 기계 학습에 관한 것입니다.
여기에 사용 된 예제는 공개적으로 거래되는 회사 (주식)의 기본 특성을 분석하여 이러한 펀더멘털을 시간 경과에 따른 주식 시장의 가치 성과와 비교하는 것입니다. 우리의 목표는 우리가 기계 학습을 사용하여 중요한 펀더멘털이있는 좋은 주식을 식별 할 수 있는지 알아보고 문제에 투자 할 수 있는지 확인하는 것입니다.
앞으로는 더 많은 기계 학습 예제를 다루려고 노력할 것입니다. 각 기계 학습 알고리즘은 여러분이 가지고있는 문제의 "유형"에 상당히 구체적입니다. SVM (Support Vector Machine)은 일부 작업에는 적합하지만 다른 작업에는 적합하지 않습니다. 많은 다른 기계 학습 알고리즘이 있습니다. 일반적으로 기계 학습에 대해 배울 점이 많이 있습니다. 우리는 우리가 사용하는 기계 학습 알고리즘 당 파이의 작은 조각만을 가져갈 것입니다.
대부분의 경우 기계 학습은 실제 학습이 아니지만 일반적으로 미디어의 많은 사람들이이를 전제로 두려워합니다.
기계 학습을 통해 우리는 많은 놀라운 작업을 수행하고 외모를 줄 수 있습니다. 또는 인텔리전스의 "환상"을 더 잘 표현할 수는 있지만, 실제로 우리가 알고있는 것처럼 인텔리전스가 아닙니다. 그러나 실제 문제는 결국 문제가되는 것인가? 최종 결과가 동일하고 훨씬 더 효율적인 방식으로 달성되면 결론에 도달하는 방법은 무엇이 중요합니까?
이러한 형태의 컴퓨팅이 인간의 지능보다 우월한 응용 프로그램이 많이 있습니다. 모든 측면을 적절하게 계량하고 분석하는 일은 컴퓨터에 의한 편향이 적고 훨씬 빨리 수행됩니다.
기계 학습에는 두 가지 주요 범주가 있습니다.
감독 학습에서는 분류와 회귀가 있습니다. 이전에 기계 학습이 실제로 기계 분류 일 뿐이라는 것을 기억하십니까? 여전히 그렇지만, 분류라는 기계 학습의 특정 형태가 있습니다.
따라서 감독 학습은 우리, 과학자, 감독 및 때로는 학습 과정을 안내하는 곳입니다. 우리는 데이터의 일부를 말하고 질문을 남겨 둘 수 있습니다.
감독 학습 내에서, 우리는 이미 분류가 이루어져있는 분류를 가지고 있습니다. 여기에 예로 든 이미지 인식 자습서가 있습니다. 여기에는 일련의 숫자가 있으며 미리 정의 된 범주 중 하나에 적합하지 않을 수 있습니다.
그럼 우리는 회귀가 있습니다. 여전히 감독 학습 아래 있습니다. 유도 또는 이와 비슷한 것으로 불려질 ​​것입니다. 여기서 우리는 문제의 데이터에 대해 알려진 변수를 가지고 있으며, 과거의 표본 또는 과거 데이터를 사용하여 미지의 것에 대한 예측을 할 수 있습니다 .
예를 들어 페이스 북이 당신이 어디에 살고 있는지 추측 할 때 당신이하는 일이 여기에 해당됩니다. 귀하의 네트워크와 귀하와 가장 가까운 유대 관계를 갖고있는 사람들, 그리고 그 사람들이있는 곳에서 페이스 북은 귀하가 그 위치에 있다는 것을 추측 할 수 있습니다.
또 다른 예는 백만 명을 표본 추출한 다음 금발 머리카락과 창백한 피부를 가진 알려지지 않은 사람을 찾는 것입니다. 우리는 그들이 가지고있는 색 눈이 무엇인지 궁금합니다. 우리의 회귀 알고리즘은 아마도 이전 샘플을 바탕으로 새로운 사람이 푸른 색 또는 회색 눈을 가지고 있음을 암시합니다.
자, 즉시 붉은 깃발이 여기에 내려와야합니다. 우리 철학 전공 학생들에게 귀납적 추론을 사용하자 마자 문제가 있다는 것을 알았습니다. 여러분의 나머지 부분은, 우리가 더 약한 추론을 사용하여 여기에서 예측을하고있는 것이 문제입니다.
말했듯이, 인간은 귀납적 추론을 할 수있는 능력에 대한 진화의 빚이 있습니다. 모두 나쁘지는 않지만 사람들은 주식 거래와 같은 것에 대해 귀납적 추론 및 회귀 분석을 사용하고자합니다. 문제는이 추론이 역사를 따르고 미래에 대한 예측을한다는 것입니다. 우리가 여러 번 반복해서 듣고있는 것처럼, 역사는 미래를 대표하지 않습니다.
여기에 너무 많은 시간을 보내고 싶지는 않지만 마지막으로 지적하고 싶습니다. 컴퓨터는 인간보다 더 낫습니다. 귀납적 추론에 관해서, 인간은 여러 가지 특성을 놓치고 잘못 판단하는 경향이 있습니다. 그들은 일반적으로 훨씬 더 편향되어 있으며, 특히 귀납적 추론을 괴롭히는 다른 통계적 결함이 있습니다. 컴퓨터는 이러한 문제가 없으며, 우리보다 천문학적으로 빠른 속도로 훨씬 더 큰 데이터 세트에서 이러한 추론을 수행 할 수 있습니다.
감독되지 않은 학습은 학습 알고리즘을 만드는 곳입니다. 그런 다음 컴퓨터에 엄청난 양의 데이터를 던지고 컴퓨터에서 이해하게 만듭니다.
감독되지 않은 학습의 기본은 방대한 양의 데이터 세트를 기계에 던지기 만하면됩니다. 머신은 데이터를 추측, 분류 또는 그룹화합니다. 이것이 용어가 혼란 스러울 수있는 이유입니다. 모든 기계 학습은 기계 분류이며, 분류라는 기계 학습의 특정 버전은 카테고리를 미리 정의하여 기계가 하나를 선택하도록 강요한다는 것을 기억하십시오.
우리가 발을 젖게하기 전에 내가 여기서 다루고 싶은 마지막 주요 용어는 테스트와 훈련이다.
기계를 "훈련"할 때 미리 분류 된 데이터를 제공합니다. 다시 이미지 인식 시리즈를 통해 우리는 0부터 9까지의 예제를 제공함으로써 시스템을 교육했습니다.
이 알 고를 테스트 할 때 우리는 분류되지 않은 새로운 데이터를 머신에 사용하지만 우리는 적절한 분류를 알고 있습니다. 일반적으로 데이터를 테스트하여 데이터를 테스트 한 다음 기계를 통해 정답을 실행하고 기기의 옳고 그른 수를 확인합니다.
조만간 교육 및 테스트에 필요한 데이터를 얻는 것이 가장 어려운 부분입니다. 텍스트의 정서 분석을하는 나와 Sentdex에게는 영화 및 제품 리뷰를 오프라인으로 스크랩하여 내 교육 및 테스트 세트로 사용할 수있었습니다. 리뷰는 순위가 매겨지기 때문에 리뷰어가 스스로 순위를 정한 대용량 데이터 세트를 컴퓨터에서 테스트하고 테스트 할 수 있습니다.
나는이 그림을 오래 전에 만들었지 만 기계 학습에도 여전히 적용된다는 것을 알았습니다.
기계 학습은 실제로 그보다 더 복잡하다고 생각하지만, 대부분의 사람들은 기계 학습에 대해 읽고 프로그래밍과 수학적으로 매우 복잡하다고 생각하여 두려워합니다.
기계 학습 알고리즘은 실제로 길고 복잡하지만 믿을 수 없을만큼 재미 있거나 단지 볼 수있는 경우를 제외하고는 직접 작성하지 않아도됩니다.
거의 모든 제작 사례에서 직접 작성하거나 원하지 않을 것입니다. 동료 심사를 거친 매우 효율적이고 고도로 테스트 된 알고리즘을 사용하는 것이 좋습니다. 대부분의 주요 경우에는 매우 효과적인 알고리즘이 제공됩니다. 이 때문에 실제로 성공할 수있는 기계 학습의 모든 내부 작동에 대해 배울 필요는 없습니다.
이 방법은 자동차, 컴퓨터 또는 휴대 전화를 다루는 방법과 매우 흡사합니다. 당신은 이러한 것들로부터 많은 유용성을 얻을 수 있지만, 아마도 당신은 아마도 그들 모두의 복잡한 것에 대해 거의 알지 못할 것입니다.
기계 학습도 같은 방법입니다. "학습 속도"와 같은 주요 매개 변수와 기계 학습이 실제로 당신을 위해 무엇을하는지 이해하는 것이 가장 좋습니다. 이렇게하면 기계 학습을 문제에 가장 효과적으로 적용하는 방법을 파악할 수 있습니다. 이것이 불가능한 차원으로 이동하기 전에 몇 가지 예제를 시각화하는 것이 좋은 아이디어입니다.
물론, 당신은 당신이 내적 활동에 대해 호기심을 느낀다는 것을 알게 될 것이고, 나는 당신이 호기심을 키울 것을 권합니다. 알고리즘은 정말 매력적이며, 당신이 고용하려는 알고리즘을 이해할수록 당신의 효능이 확실히 향상 될 것입니다.
이 과정의 초점은 실제로 기계 학습 알고리즘을 문제에 적용하는 것입니다. 만약 당신이하고 싶다고 생각되면, 다음 튜토리얼로 가십시오.

Forex 파이썬 기계 학습
패턴 인식을 포함한 모든 형태의 기계 학습은 물론 음성 및 얼굴 인식에서부터 의학 연구에 이르기까지 많은 용도로 사용됩니다. 이 경우 우리의 질문은 패턴 인식을 사용하여 패턴이 비슷한 이전 상황을 참조 할 수 있는지 여부입니다. 우리가 그 일을 할 수 있다면, 과거의 그 패턴으로 일어난 일을 기반으로 거래를하고 실제로 이익을 낼 수 있습니까?
이를 위해 우리는 모든 것을 완전히 코드화 할 것입니다. 이 주제를 즐기는 경우 다음 단계는 GPU 가속 또는 스레딩을 살펴 보는 것입니다. Matplotlib (데이터 시각화 용)과 NumPy (번호 계산 용) 만 필요합니다. 나머지는 우리에게 달렸습니다.
파이썬은 자연스럽게 단일 스레드 언어입니다. 즉, 각 스크립트는 단일 CPU 만 사용합니다 (대개 이것은 단일 CPU 코어를 사용하고, 때로는 그 코어의 절반 또는 1/4 또는 그보다 더 나쁜 코어를 사용함).
이것이 파이썬의 프로그램이 컴퓨터에 뭔가를 가져 오는 데는 시간이 걸릴 수 있지만 처리 속도는 5 %와 RAM 10 % 일 수 있습니다.
스레딩에 대한 자세한 내용은이 사이트에서 스레딩 자습서를 참조하십시오.
현재 이러한 모듈을 얻는 가장 쉬운 방법은 pip install을 사용하는 것입니다.
pip가 무엇인지 또는 모듈을 설치하는 방법을 모르십니까?
Pip은 아마도 패키지를 설치하는 가장 쉬운 방법 일 것입니다. Python을 설치하고 나면 Windows의 경우 cmd. exe, Linux의 경우 bash와 같은 명령 프롬프트를 열고 다음을 입력 할 수 있어야합니다.
pip install numpy.
pip 설치 matplotlib.
그래도 문제가 해결되지 않으면이 웹 사이트의 하단에있는 연락처를 사용하여 언제든지 문의하십시오.
계획은 일정 기간에 가격 그룹을 가져 와서 데이터를 표준화하기위한 노력의 일환으로 백분율 변화로 변환하는 것입니다. 설명을 위해 50 개의 연속 가격을 적용한다고 가정 해 보겠습니다. 우리가 할 일은이 패턴을 메모리에 맵핑하고, 한 가격 포인트를 전진시키고, 패턴을 다시 맵핑하는 것입니다. 우리가 기억으로 매핑 한 각 패턴에 대해, 우리는 앞으로 약간의 가격 포인트로 도약하고 가격이 어디에 해당하는지 기록하고 싶습니다. 그런 다음이 "결과"를 패턴에 매핑하고 계속 진행합니다. 모든 패턴에는 그 결과가 있습니다.
다음으로, 현재 패턴을 가져 와서 이전의 모든 패턴과 비교합니다. 우리가 할 일은 유사도 백분율을 모든 이전 패턴과 비교하는 것입니다. 유사성 백분율이 특정 임계 값 이상인 경우 고려해야합니다. 여기에서 우리는 20-30 개의 역사적 패턴을 비교할 수 있습니다. 이러한 유사한 패턴을 통해 우리는 모든 결과를 모으고 예상 된 "평균"결과를 도출 할 수 있습니다. 그 평균 결과로 매우 유리한 경우, 우리는 구매를 시작할 수 있습니다. 결과가 호의적이지 않은 경우에, 아마 우리는 판매하거나, 짧다.
시각화를 위해 다음 예제가 있습니다.
위의 예에서 예측 된 평균 패턴은 올라 가기 때문에 구매를 시작할 수 있습니다.
이 시리즈는 어떤 종류의 부유 한 빠른 알고리즘을 가지고도 끝나지 않을 것입니다. 이 프로그램에는 몇 가지 알려진 버그가 있으며, 은행이 아니면이 진드기 데이터로 충분히 빠르게 거래를 실행할 수있는 가능성은 거의 없습니다. 여기에서의 목표는 얼마나 쉽고 기본적인 패턴 인식인지 보여주는 것입니다. 기본적인 파이썬 프로그래밍 지식을 가지고 있다면, 따라 할 수 있어야합니다.

거래를위한 기계 학습.
Georgia Tech에서 CS 7646으로 제공됩니다.
Nanodegree 프로그램.
기계 학습 엔지니어.
예측 모델 만들기.
신속하게 직업을 추적 할 수있는 자격 증명으로 경력을 가속화하십시오.
이 과정에 대하여.
이 과정에서는 정보 수집에서 시장 주문에 이르는 알고리즘 단계를 포함하여 기계 학습 기반 거래 전략을 구현하는 실제 과제를 학생들에게 소개합니다. 초점은 거래 결정에 확률 론적 기계 학습 접근법을 적용하는 방법에 있습니다. 우리는 선형 회귀, KNN 및 회귀 나무와 같은 통계적 접근 방법을 고려하고 실제 주식 거래 상황에이를 적용하는 방법을 고려합니다.
코스 비용.
대략 4 개월.
스킬 레벨.
과정에 포함.
풍부한 학습 컨텐츠.
업계 전문가들의 가르침.
학생 지원 커뮤니티.
위대함에의 길을 함께하십시오.
이 무료 과정은 기계 학습 엔지니어 Nanodegree 프로그램을 통해 새로운 경력을 향한 첫 걸음입니다.
무료 코스.
거래를위한 기계 학습.
혁신적이고 독립적 인 학습을 통해 자신의 기술을 향상시키고 자신의 즐거움을 높여보십시오.
Nanodegree 프로그램.
기계 학습 엔지니어.
신속하게 직업을 추적 할 수있는 자격 증명으로 경력을 가속화하십시오.
코스 리드.
터커 발치.
아르 판 차크라 보르 티.
당신이 배우게 될 것.
이 코스는 3 개의 미니 코스로 구성되어 있습니다 :
미니 코스 1 : 파이썬에서 재무 데이터 조작하기 미니 코스 2 : 전산 투자 미니 코스 3 : 트레이닝을위한 기계 학습 알고리즘.
각 미니 코스는 약 7-10 레슨으로 구성되어 있습니다. 과제와 프로젝트가 삽입됩니다.
2015 년 가을 OMS 학생 : 미니 코스 2 이후 중간 시험 1 회, 최종 시험 1 회 등 두 가지 시험이 있습니다.
선행 조건 및 요구 사항.
학생들은 강한 코딩 기술과 주식 시장에 대해 어느 정도 익숙해야합니다. 금융 또는 기계 학습 경험은 가정하지 않습니다.
이 코스는 컴퓨터 과학에 중점을 둔 학생들뿐 아니라 다른 경험을 가진 산업 시스템 공학, 관리 또는 수학과 같은 다른 전공 학생들에게도 도움이됩니다. 모든 유형의 학생들을 환영합니다!
ML 주제는 & quot; 검토 & quot; CS 학생의 경우 금융 부분은 재정 학생을위한 검토가됩니다. 그러나 이러한 주제에 대한 경험이 있더라도 이전에 보았던 것과 다른 방식으로, 특히 거래 구현을 염두에두고 고려해야합니다.
프로그래밍은 주로 파이썬으로 진행됩니다. NumPy 및 Pandas와 같은 수치 컴퓨팅 라이브러리를 많이 사용하게 될 것입니다.
왜이 과정을 택해야합니까?
이 과정이 끝나면 다음을 수행 할 수 있습니다.
알고리즘 거래에 사용되는 데이터 구조를 이해합니다. 살아있는 형평 데이터에 액세스하고 그것을 평가하고 거래 결정을 내릴 수있는 소프트웨어를 만드는 방법을 알아야합니다. 인기있는 3 가지 기계 학습 알고리즘과이를 거래 문제에 적용하는 방법을 이해하십시오. 시계열 데이터 (주가 데이터)에 대한 기계 학습 알고리즘의 성능을 평가하는 방법을 이해합니다. 어떻게 그리고 왜 데이터 마이닝 (기계 학습) 기술이 실패하는지 파악하십시오. 현재 일일 데이터를 사용하는 주식 거래 소프트웨어 시스템을 구축하십시오.
몇 가지 제한 사항 / 제약 사항 :
우리는 매일 데이터를 사용합니다. 이것은 HFT 과정이 아니지만 여기서 많은 개념이 적절합니다. 우리는 시장과 직접 상호 작용 (거래)하지 않지만 원하는 경우 거래 할 수있는 지분 할당을 생성 할 것입니다.
나는 무엇을 얻는가?
강사 비디오 업계 전문가들이 가르치는 연습을 통해 학습하십시오.
관련 코스.
기계 학습 : 감독되지 않은 학습.
지식 기반 AI :인지 시스템.
클라우드의 건강 정보학.
의료 분야의 빅 데이터 분석.
Hadoop 클러스터 배치.
세분화 및 클러스터링.
인기 코스.
웹 접근성.
Git 및 GitHub 사용 방법.
자가 운전 자동차 엔지니어 - Advanced Deep Learning.
주요 프로그램.
오직 Udacity에서.
프로그램.
사업.
"Nanodegree"는 Udacity의 등록 상표입니다. &부; 2011 년 - 2017 년 Udacity, Inc.
Udacity는 공인 된 대학이 아니며 학위를 부여하지 않습니다.