सामग्री
प्रश्नः
नवीन डेटा शिक्षण क्षमता वित्तीय डेटासाठी स्टॉक दस्तऐवजांचे उत्खनन सक्षम कसे करू शकतात?
उत्तरः
मशीन लर्निंग आणि एआय च्या एक रोमांचक नवीन सीमेवरील एक म्हणजे वैज्ञानिक आणि अभियंते स्टॉक चळवळ आणि गुंतवणूकीच्या परिणामाचा अंदाज लावण्यासाठी पूर्णपणे नवीन प्रकारचे संसाधने वापरण्याच्या विविध मार्गांवर प्रयत्न करीत आहेत. आर्थिक जगातील हा एक प्रचंड गेम-चेंजर आहे आणि गुंतवणूकीच्या धोरणांमध्ये गहन मार्गाने परिवर्तन करेल.
या प्रकारच्या संशोधनाच्या विस्तारासाठी आधारभूत कल्पनांपैकी एक म्हणजे संगणकीय भाषाशास्त्र, ज्यामध्ये नैसर्गिक भाषेचे मॉडेलिंग समाविष्ट आहे. एसईसी फाईलिंगपासून ते इतर परिघीय-आधारित संसाधनांना शेअरधारकांना पत्रे, कागदपत्रांचा कसा उपयोग करावा यासाठी, किंवा विश्लेषण वाढवण्यासाठी किंवा संपूर्णपणे नवीन विश्लेषणे विकसित करण्यासाठी तज्ञ तपास करीत आहेत.
महत्त्वाचे अस्वीकरण म्हणजे हे सर्व केवळ तंत्रिका नेटवर्क, मशीन शिक्षण आणि नैसर्गिक भाषा विश्लेषणामध्ये नवीन प्रगतीद्वारे व्यवहार्य केले गेले आहे. एमएल / एआयच्या स्थापनेपूर्वी संगणकीय तंत्रज्ञानामध्ये बहुतेक "वाचन" इनपुटसाठी रेषीय प्रोग्रामिंगचा वापर केला जात असे. कागदपत्रे अत्यंत उपयुक्त नसण्यासाठी अ-रचनात्मक होती. परंतु गेल्या काही वर्षांत नैसर्गिक भाषेच्या विश्लेषणामध्ये झालेल्या प्रगतीमुळे शास्त्रज्ञांना असे आढळले आहे की प्रमाणित परिणामांसाठी नैसर्गिक भाषा "खाण" मिळवणे शक्य आहे किंवा दुसर्‍या शब्दांत सांगायचे तर निकाल कोणत्या मार्गाने मोजता येतील.
यावरील काही उत्तम पुरावे आणि सर्वात उपयुक्त उदाहरणे वेबवर उपलब्ध असलेल्या विविध प्रबंध आणि डॉक्टरेट कामांद्वारे मिळतात. एप्रिल २०१ 2016 मध्ये प्रसिद्ध झालेल्या "मशीन लर्निंग अँड कॉम्प्युटेशनल भाषाविस्टिक्स इन फायनान्शियल इकॉनॉमिक्स," या पेपरमध्ये लिली गाओ कॉर्पोरेट एसईसी फाइलिंग्ज, भागधारक कॉल आणि सोशल मीडिया च्या खाण संबंधित विशिष्ट प्रक्रिया स्पष्टपणे स्पष्ट करते.
गाओ लिहितात, "अव्यवस्थित आणि उच्च मितीय डेटावरून अर्थपूर्ण सिग्नल काढणे सोपे काम नाही.""तथापि, मशीन लर्निंग आणि कम्प्युटेशनल भाषिक तंत्राच्या विकासासह, यूएल कागदपत्रांची कार्ये प्रक्रिया आणि सांख्यिकीय विश्लेषण केल्याने कार्य साध्य करता येतात आणि सामाजिक विज्ञानातील सांख्यिकीय विश्लेषणाची अनेक अनुप्रयोग यशस्वी झाली आहेत." अमूर्त मधील मॉडेलिंग आणि कॅलिब्रेशनच्या गाओस चर्चेपासून संपूर्ण विकसित दस्तऐवज या प्रकारचे विश्लेषण तपशीलवार कसे कार्य करते हे दर्शविते.
सक्रिय प्रकल्पांच्या इतर स्त्रोतांमध्ये हे गिटहब प्रोजेक्ट संक्षिप्त सारखी पृष्ठे आणि हे आयईईई संसाधन "भावनांचे विश्लेषण" पासून मौल्यवान आर्थिक माहिती मिळविण्याबद्दल विशेषतः बोलत आहेत.
मुख्य म्हणजे या नवीन एनएलपी मॉडेल्सचा वापर केवळ आर्थिक विश्लेषणासाठीच नाही तर इतर प्रकारच्या कागदपत्रांचा वापर करून "भाषा" आणि "दरम्यान पारंपारिकपणे स्थापित केलेली अंधुक अस्पष्टतेसह सर्व प्रकारच्या दस्तऐवजांचा वापर करण्यात वेगवान नावीन्य आणत आहे. डेटा