Gradient Boosting: Difference between revisions

Latest revision as of 03:40, 24 April 2025

Gradient Boosting: دليل شامل للمبتدئين

Gradient Boosting هي تقنية قوية في مجال التعلم الآلي تستخدم على نطاق واسع في العديد من التطبيقات، بما في ذلك التداول الخوارزمي والتنبؤ بالأسعار في أسواق العملات المشفرة. تندرج هذه التقنية ضمن فئة خوارزميات التعلم المعزز (Ensemble Learning)، حيث تجمع بين العديد من نماذج التعلم الآلي الضعيفة لإنشاء نموذج تنبؤي أكثر دقة وقوة. يهدف هذا المقال إلى تقديم شرح مفصل ومبسط لمفهوم Gradient Boosting للمبتدئين، مع التركيز على تطبيقاته المحتملة في مجال تحليل الأسواق المالية.

ما هو التعلم المعزز؟

قبل الخوض في تفاصيل Gradient Boosting، من المهم فهم مفهوم التعلم المعزز. ببساطة، التعلم المعزز هو أسلوب يجمع بين عدة نماذج تعلمية لتحسين الأداء التنبؤي العام. هناك نوعان رئيسيان من التعلم المعزز:

Bagging (Bootstrap Aggregating): يعمل عن طريق تدريب عدة نماذج على عينات مختلفة من البيانات، ثم يتم دمج تنبؤاتها (مثل المتوسط أو التصويت). مثال على ذلك هو خوارزمية الغابة العشوائية (Random Forest).
Boosting: يعمل عن طريق تدريب النماذج بشكل تسلسلي، حيث يركز كل نموذج جديد على تصحيح الأخطاء التي ارتكبها النماذج السابقة. Gradient Boosting هو أحد أشهر خوارزميات Boosting.

كيف يعمل Gradient Boosting؟

Gradient Boosting مبني على فكرة بسيطة: بناء نموذج قوي عن طريق إضافة نماذج ضعيفة بشكل متكرر. إليك الخطوات الرئيسية:

1. النموذج الأولي: يتم تدريب نموذج أولي بسيط (عادةً ما يكون انحدار خطي أو شجرة قرار صغيرة) على البيانات الأصلية. 2. حساب البواقي (Residuals): يتم حساب الفرق بين القيم المتوقعة والقيم الحقيقية (البواقي). 3. التدريب على البواقي: يتم تدريب نموذج جديد على البواقي بدلاً من البيانات الأصلية. هذا النموذج الجديد يحاول تقليل الأخطاء التي ارتكبها النموذج الأول. 4. الجمع: يتم إضافة تنبؤات النموذج الجديد إلى تنبؤات النموذج الأول، مع وزن يعكس مدى أهمية النموذج الجديد. 5. التكرار: يتم تكرار الخطوات 2-4 عدة مرات، مع إضافة نماذج جديدة بشكل متسلسل. كل نموذج جديد يركز على تصحيح الأخطاء المتبقية من النماذج السابقة.

يسمى "Gradient" في Gradient Boosting بسبب استخدام تدرج الانحدار (Gradient Descent) لتحسين النموذج. يتم استخدام تدرج الانحدار لتقليل دالة الخسارة (Loss Function)، وهي مقياس لمدى دقة النموذج.

المزايا والعيوب

المزايا:

دقة عالية: عادةً ما تحقق Gradient Boosting أداءً تنبؤيًا عاليًا جدًا.
التعامل مع البيانات المعقدة: يمكنها التعامل مع البيانات ذات الأبعاد العالية والعلاقات غير الخطية بشكل فعال.
المرونة: يمكن استخدامها لمجموعة متنوعة من مهام التعلم الخاضع للإشراف (Supervised Learning)، مثل التصنيف والانحدار.

العيوب:

الإفراط في التخصيص (Overfitting): يمكن أن تصبح النماذج حساسة جدًا للبيانات التدريبية، مما يؤدي إلى ضعف الأداء على البيانات الجديدة. يمكن التخفيف من ذلك باستخدام تقنيات التنظيم (Regularization).
وقت التدريب: قد يستغرق التدريب وقتًا طويلاً، خاصةً مع مجموعات البيانات الكبيرة.
الحساسية للمعلمات: يتطلب ضبط العديد من المعلمات لتحقيق أفضل أداء.

تطبيقات Gradient Boosting في تداول العملات المشفرة

يمكن استخدام Gradient Boosting في العديد من تطبيقات تداول العملات المشفرة، بما في ذلك:

التنبؤ بأسعار العملات المشفرة: يمكن استخدامه للتنبؤ بأسعار بيتكوين، إيثريوم، وغيرها من العملات المشفرة بناءً على البيانات التاريخية.
اكتشاف أنماط التداول: يمكنه تحديد الأنماط والاتجاهات في البيانات التي قد لا تكون واضحة للعين البشرية.
إدارة المخاطر: يمكن استخدامه لتقييم المخاطر المرتبطة بتداول العملات المشفرة.
التداول الآلي: يمكن دمجه في أنظمة التداول الآلي لاتخاذ قرارات تداول بناءً على التنبؤات.

أمثلة على مكتبات Gradient Boosting

هناك العديد من المكتبات المتاحة التي توفر تطبيقات لـ Gradient Boosting، بما في ذلك:

XGBoost: واحدة من أكثر المكتبات شيوعًا والأكثر كفاءة.
LightGBM: مكتبة سريعة وفعالة، خاصةً مع مجموعات البيانات الكبيرة.
CatBoost: مكتبة قوية تتعامل بشكل جيد مع البيانات الفئوية.
Scikit-learn: توفر أيضًا تطبيقًا لـ Gradient Boosting، ولكنه قد يكون أقل كفاءة من المكتبات الأخرى.

استراتيجيات تداول ذات صلة

لتطبيق Gradient Boosting بفعالية في التداول، يمكن دمجها مع استراتيجيات أخرى، مثل:

التحليل الفني وحجم التداول

بالإضافة إلى ذلك، يمكن دمج Gradient Boosting مع أدوات التحليل الفني وتحليل حجم التداول لتعزيز دقة التنبؤات، مثل:

الخلاصة

Gradient Boosting هي تقنية قوية يمكن أن تكون أداة قيمة للمتداولين في أسواق العملات المشفرة. من خلال فهم المبادئ الأساسية وكيفية تطبيقها، يمكن للمتداولين تحسين استراتيجياتهم التداولية وتحقيق نتائج أفضل. تذكر أن النجاح في التداول يتطلب مزيجًا من المعرفة والخبرة وإدارة المخاطر الفعالة.

التعلم الآلي التداول الخوارزمي التنبؤ بالأسعار التحليل الفني تحليل حجم التداول العملات المشفرة بيتكوين إيثريوم التعلم الخاضع للإشراف التصنيف الانحدار شجرة قرار انحدار خطي تدرج الانحدار دالة الخسارة التنظيم الإفراط في التخصيص XGBoost LightGBM CatBoost Scikit-learn استراتيجية المتوسط المتحرك استراتيجية اختراق النطاق استراتيجية تصحيح فيبوناتشي استراتيجية مؤشر القوة النسبية (RSI) استراتيجية MACD استراتيجية بولينجر باند استراتيجية Ichimoku Cloud خطوط الاتجاه مستويات الدعم والمقاومة أنماط الشموع اليابانية مؤشر ستوكاستيك

ابدأ التداول الآن

سجل في IQ Option (الحد الأدنى للإيداع $10) افتح حساباً في Pocket Option (الحد الأدنى للإيداع $5)

انضم إلى مجتمعنا

اشترك في قناة Telegram الخاصة بنا @strategybin للحصول على: ✓ إشارات تداول يومية ✓ تحليلات استراتيجية حصرية ✓ تنبيهات باتجاهات السوق ✓ مواد تعليمية للمبتدئين

@@ Line 1: / Line 1: @@
-=== Gradient Boosting ===
+=== Gradient Boosting: دليل شامل للمبتدئين ===
-'''Gradient Boosting''' (التعزيز التدريجي) هو أسلوب تعلم آلي قوي يستخدم لمهام التصنيف والتنبؤ. تعتمد هذه التقنية على تجميع مجموعة من نماذج التعلم الضعيفة، عادةً ما تكون [[أشجار القرار]]، لإنشاء نموذج تنبؤي أكثر دقة. يُعتبر Gradient Boosting من بين أكثر الخوارزميات فعالية في العديد من المسابقات العلمية للتعلم الآلي، ويستخدم على نطاق واسع في مجالات مثل [[التمويل]]، [[التسويق]]، و[[تحليل المخاطر]].
+'''Gradient Boosting''' هي تقنية قوية في مجال [[التعلم الآلي]] تستخدم على نطاق واسع في العديد من التطبيقات، بما في ذلك [[التداول الخوارزمي]] و[[التنبؤ بالأسعار]] في أسواق [[العملات المشفرة]]. تندرج هذه التقنية ضمن فئة [[خوارزميات التعلم المعزز]] (Ensemble Learning)، حيث تجمع بين العديد من [[نماذج التعلم الآلي]] الضعيفة لإنشاء نموذج تنبؤي أكثر دقة وقوة. يهدف هذا المقال إلى تقديم شرح مفصل ومبسط لمفهوم Gradient Boosting للمبتدئين، مع التركيز على تطبيقاته المحتملة في مجال [[تحليل الأسواق المالية]].
-== المفهوم الأساسي ==
+== ما هو التعلم المعزز؟ ==
-الفكرة الرئيسية وراء Gradient Boosting هي بناء النموذج بشكل تكراري. في كل تكرار، يتم تدريب نموذج جديد على تصحيح الأخطاء التي ارتكبها النموذج السابق. يتم ذلك عن طريق حساب "البقايا" (residuals) – وهي الفرق بين القيم المتوقعة والقيم الفعلية – ثم تدريب النموذج الجديد على التنبؤ بهذه البقايا.  بمعنى آخر، كل نموذج جديد يركز على تحسين أداء النموذج العام من خلال معالجة الأخطاء التي لم يتمكن النموذج السابق من معالجتها بشكل صحيح.
+قبل الخوض في تفاصيل Gradient Boosting، من المهم فهم مفهوم [[التعلم المعزز]]. ببساطة، التعلم المعزز هو أسلوب يجمع بين عدة نماذج تعلمية لتحسين الأداء التنبؤي العام. هناك نوعان رئيسيان من التعلم المعزز:
+*   '''Bagging (Bootstrap Aggregating):'''  يعمل عن طريق تدريب عدة نماذج على عينات مختلفة من البيانات، ثم يتم دمج تنبؤاتها (مثل المتوسط أو التصويت). مثال على ذلك هو [[خوارزمية الغابة العشوائية]] (Random Forest).
+*   '''Boosting:'''  يعمل عن طريق تدريب النماذج بشكل تسلسلي، حيث يركز كل نموذج جديد على تصحيح الأخطاء التي ارتكبها النماذج السابقة. Gradient Boosting هو أحد أشهر خوارزميات Boosting.
 == كيف يعمل Gradient Boosting؟ ==
-.  '''التهيئة:''' تبدأ الخوارزمية بتهيئة النموذج الأولي، والذي غالبًا ما يكون ببساطة متوسط القيمة المستهدفة (للتنبؤ) أو الفئة الأكثر شيوعًا (للتصنيف).
+Gradient Boosting مبني على فكرة بسيطة: بناء نموذج قوي عن طريق إضافة نماذج ضعيفة بشكل متكرر. إليك الخطوات الرئيسية:
+.  '''النموذج الأولي:''' يتم تدريب نموذج أولي بسيط (عادةً ما يكون [[انحدار خطي]] أو [[شجرة قرار]] صغيرة) على البيانات الأصلية.
+.  '''حساب البواقي (Residuals):''' يتم حساب الفرق بين القيم المتوقعة والقيم الحقيقية (البواقي).
+.  '''التدريب على البواقي:''' يتم تدريب نموذج جديد على البواقي بدلاً من البيانات الأصلية. هذا النموذج الجديد يحاول تقليل الأخطاء التي ارتكبها النموذج الأول.
+.  '''الجمع:''' يتم إضافة تنبؤات النموذج الجديد إلى تنبؤات النموذج الأول، مع وزن يعكس مدى أهمية النموذج الجديد.
+.  '''التكرار:''' يتم تكرار الخطوات 2-4 عدة مرات، مع إضافة نماذج جديدة بشكل متسلسل. كل نموذج جديد يركز على تصحيح الأخطاء المتبقية من النماذج السابقة.
-.  '''التكرار:'''  في كل تكرار:
+يسمى "Gradient" في Gradient Boosting بسبب استخدام [[تدرج الانحدار]] (Gradient Descent) لتحسين النموذج. يتم استخدام تدرج الانحدار لتقليل دالة الخسارة (Loss Function)، وهي مقياس لمدى دقة النموذج.
-    *   '''حساب البقايا:''' يتم حساب البقايا بين القيم المتوقعة والقيم الفعلية.
-    *   '''تدريب نموذج ضعيف:''' يتم تدريب نموذج تعلم ضعيف (عادةً شجرة قرار) على التنبؤ بالبقايا.  عادةً ما تكون هذه الأشجار صغيرة وعميقة، مما يمنعها من الإفراط في التخصيص (overfitting).
-    *   '''حساب الخطوة:''' يتم تحديد "خطوة التعلم" (learning rate) التي تحدد مدى تأثير النموذج الجديد على النموذج العام. يتم ضرب تنبؤات النموذج الضعيف في الخطوة لتقليل خطر الإفراط في التخصيص.
-    *   '''تحديث النموذج:''' يتم إضافة تنبؤات النموذج الضعيف (مضروبة في الخطوة) إلى النموذج العام.
-.  '''التوقف:''' تتكرر هذه العملية حتى يتم الوصول إلى عدد محدد من النماذج، أو حتى يتوقف أداء النموذج عن التحسن على مجموعة [[التحقق من الصحة]] (validation set).
+== المزايا والعيوب ==
-== أهم المعلمات في Gradient Boosting ==
+'''المزايا:'''
-*   '''عدد النماذج (n_estimators):''' يحدد عدد الأشجار التي سيتم بناؤها.  عادةً ما يؤدي زيادة هذا العدد إلى تحسين الأداء، ولكن قد يؤدي أيضًا إلى الإفراط في التخصيص.
+*   '''دقة عالية:'''  عادةً ما تحقق Gradient Boosting أداءً تنبؤيًا عاليًا جدًا.
-*   '''خطوة التعلم (learning_rate):''' تحدد مدى تأثير كل نموذج جديد على النموذج العام.  عادةً ما تتطلب القيم الأصغر لخطوة التعلم عددًا أكبر من النماذج.
+*   '''التعامل مع البيانات المعقدة:'''  يمكنها التعامل مع البيانات ذات الأبعاد العالية والعلاقات غير الخطية بشكل فعال.
-*   '''الحد الأقصى لعمق الشجرة (max_depth):''' يتحكم في تعقيد كل شجرة قرار.  تساعد القيم الأصغر في منع الإفراط في التخصيص.
+*   '''المرونة:'''  يمكن استخدامها لمجموعة متنوعة من مهام [[التعلم الخاضع للإشراف]] (Supervised Learning)، مثل [[التصنيف]] و[[الانحدار]].
-*   '''حجم العينة (subsample):''' يحدد نسبة البيانات المستخدمة لتدريب كل شجرة.  تساعد قيم أصغر في تقليل التباين (variance) وتحسين التعميم.
-*   '''معيار الانقسام (criterion):''' يحدد كيفية تقييم الانقسامات في شجرة القرار.  تشمل الخيارات الشائعة [[متوسط الخطأ التربيعي]] (MSE) للتنبؤ و[[جيني]] (Gini) أو [[الإنتروبيا]] (entropy) للتصنيف.
-== Gradient Boosting مقابل تقنيات التجميع الأخرى ==
+'''العيوب:'''
-*   '''Bagging (الجمع العشوائي):''' مثل [[Random Forest]]، يبني Bagging نماذج متعددة بشكل مستقل على عينات مختلفة من البيانات، ثم يقوم بمتوسط التنبؤات.  في المقابل، يبني Gradient Boosting النماذج بشكل تسلسلي، حيث يركز كل نموذج على تصحيح أخطاء النماذج السابقة.
+*   '''الإفراط في التخصيص (Overfitting):'''  يمكن أن تصبح النماذج حساسة جدًا للبيانات التدريبية، مما يؤدي إلى ضعف الأداء على البيانات الجديدة. يمكن التخفيف من ذلك باستخدام تقنيات [[التنظيم]] (Regularization).
-*   '''Boosting (التعزيز):''' بشكل عام، يشير Boosting إلى مجموعة من التقنيات التي تهدف إلى تحسين أداء النماذج الضعيفة من خلال الجمع بينها. Gradient Boosting هو أحد أنواع Boosting.
+*   '''وقت التدريب:'''  قد يستغرق التدريب وقتًا طويلاً، خاصةً مع مجموعات البيانات الكبيرة.
+*   '''الحساسية للمعلمات:'''  يتطلب ضبط العديد من المعلمات لتحقيق أفضل أداء.
-== تطبيقات Gradient Boosting في التداول ==
+== تطبيقات Gradient Boosting في تداول العملات المشفرة ==
-في سياق تداول [[الخيارات الثنائية]] أو الأسواق المالية بشكل عام، يمكن استخدام Gradient Boosting للتنبؤ بأسعار الأصول، وتحديد فرص التداول، وإدارة المخاطر. على سبيل المثال:
+يمكن استخدام Gradient Boosting في العديد من تطبيقات تداول العملات المشفرة، بما في ذلك:
-*   '''التنبؤ بأسعار الأسهم:''' يمكن تدريب نموذج Gradient Boosting على بيانات تاريخية لأسعار الأسهم، بالإضافة إلى [[المؤشرات الفنية]] و[[البيانات الأساسية]]، للتنبؤ بأسعار الأسهم المستقبلية.
+*   '''التنبؤ بأسعار العملات المشفرة:'''  يمكن استخدامه للتنبؤ بأسعار [[بيتكوين]]، [[إيثريوم]]، وغيرها من العملات المشفرة بناءً على البيانات التاريخية.
-*   '''تحديد أنماط الرسوم البيانية:''' يمكن استخدام Gradient Boosting لتحديد أنماط الرسوم البيانية التي تشير إلى فرص تداول محتملة، مثل [[الرأس والكتفين]] أو [[المثلثات]].
+*   '''اكتشاف أنماط التداول:'''  يمكنه تحديد الأنماط والاتجاهات في البيانات التي قد لا تكون واضحة للعين البشرية.
-*   '''تقييم المخاطر:''' يمكن استخدام Gradient Boosting لتقييم مخاطر الصفقات المختلفة وتحديد حجم المركز المناسب.
+*   '''إدارة المخاطر:'''  يمكن استخدامه لتقييم المخاطر المرتبطة بتداول العملات المشفرة.
+*   '''التداول الآلي:'''  يمكن دمجه في [[أنظمة التداول الآلي]] لاتخاذ قرارات تداول بناءً على التنبؤات.
-== مكتبات برمجية ==
+== أمثلة على مكتبات Gradient Boosting ==
-تتوفر العديد من المكتبات البرمجية التي تسهل تنفيذ Gradient Boosting، بما في ذلك:
+هناك العديد من المكتبات المتاحة التي توفر تطبيقات لـ Gradient Boosting، بما في ذلك:
-*   '''scikit-learn:''' توفر هذه المكتبة تطبيقًا بسيطًا وفعالًا لـ Gradient Boosting في Python.
+*   '''XGBoost:'''  واحدة من أكثر المكتبات شيوعًا والأكثر كفاءة.
-*   '''XGBoost:''' تعتبر XGBoost واحدة من أكثر مكتبات Gradient Boosting شيوعًا، وهي معروفة بأدائها العالي وقابليتها للتوسع.
+*   '''LightGBM:'''  مكتبة سريعة وفعالة، خاصةً مع مجموعات البيانات الكبيرة.
-*   '''LightGBM:'''  LightGBM هي مكتبة Gradient Boosting أخرى سريعة وفعالة، وهي مصممة للتعامل مع مجموعات البيانات الكبيرة.
+*   '''CatBoost:'''  مكتبة قوية تتعامل بشكل جيد مع البيانات الفئوية.
-*   '''CatBoost:''' CatBoost هي مكتبة Gradient Boosting قوية توفر دعمًا جيدًا للميزات الفئوية.
+*   '''Scikit-learn:'''  توفر أيضًا تطبيقًا لـ Gradient Boosting، ولكنه قد يكون أقل كفاءة من المكتبات الأخرى.
 == استراتيجيات تداول ذات صلة ==
-*   [[تداول الاتجاه]]
+لتطبيق Gradient Boosting بفعالية في التداول، يمكن دمجها مع استراتيجيات أخرى، مثل:
-*   [[تداول الاختراقات]]
-*   [[التداول العكسي]]
-*   [[التحوط]]
-*   [[المراجحة الإحصائية]]
-== التحليل الفني ==
+*   [[استراتيجية المتوسط المتحرك]]
+*   [[استراتيجية اختراق النطاق]]
+*   [[استراتيجية تصحيح فيبوناتشي]]
+*   [[استراتيجية مؤشر القوة النسبية (RSI)]]
+*   [[استراتيجية MACD]]
+*   [[استراتيجية بولينجر باند]]
+*   [[استراتيجية Ichimoku Cloud]]
+*   [[استراتيجية التداول العكسي]]
+*   [[استراتيجية التداول المتأرجح]]
+*   [[استراتيجية التداول اليومي]]
+*   [[استراتيجية التداول الخوارزمي]]
+*   [[استراتيجية التحكيم]]
+*   [[استراتيجية التداول بناءً على الأخبار]]
+*   [[استراتيجية التداول على المدى الطويل]]
+*   [[استراتيجية التداول على المدى القصير]]
-*   [[مؤشر القوة النسبية (RSI)]]
+== التحليل الفني وحجم التداول ==
-*   [[التقارب والتباعد المتوسط المتحرك (MACD)]]
-*   [[خطوط بولينجر]]
-*   [[مستويات فيبوناتشي]]
-*   [[أنماط الشموع اليابانية]]
-== تحليل حجم التداول ==
+بالإضافة إلى ذلك، يمكن دمج Gradient Boosting مع أدوات [[التحليل الفني]] و[[تحليل حجم التداول]] لتعزيز دقة التنبؤات، مثل:
+*   [[خطوط الاتجاه]]
+*   [[مستويات الدعم والمقاومة]]
+*   [[أنماط الشموع اليابانية]]
+*   [[مؤشر ستوكاستيك]]
+*   [[مؤشر ADX]]
 *   [[حجم التداول]]
-*   [[مؤشر التراكم/التوزيع (A/D)]]
+*   [[مؤشر On-Balance Volume (OBV)]]
-*   [[مؤشر التدفق النقدي (MFI)]]
+*   [[مؤشر Chaikin Money Flow (CMF)]]
-*   [[حجم التداول المتوازن (OBV)]]
+*   [[مؤشر Volume Price Trend (VPT)]]
-*   [[مؤشر تشايكين للأموال (CMF)]]
+*   [[مؤشر Accumulation/Distribution Line (A/D)]]
+*   [[مؤشر Money Flow Index (MFI)]]
+*   [[مؤشر Williams %R]]
+*   [[مؤشر Aroon]]
+*   [[مؤشر Parabolic SAR]]
+*   [[مؤشر Ichimoku Kinko Hyo]]
 == الخلاصة ==
-Gradient Boosting هو أسلوب تعلم آلي قوي يمكن استخدامه لتحسين أداء نماذج التنبؤ والتصنيف.  من خلال فهم المفاهيم الأساسية والمعلمات الرئيسية، يمكن للمتداولين الاستفادة من هذه التقنية لتحسين استراتيجيات التداول الخاصة بهم واتخاذ قرارات أكثر استنارة.
+Gradient Boosting هي تقنية قوية يمكن أن تكون أداة قيمة للمتداولين في أسواق العملات المشفرة. من خلال فهم المبادئ الأساسية وكيفية تطبيقها، يمكن للمتداولين تحسين استراتيجياتهم التداولية وتحقيق نتائج أفضل.  تذكر أن النجاح في التداول يتطلب مزيجًا من المعرفة والخبرة وإدارة المخاطر الفعالة.
 [[التعلم الآلي]]
-[[أشجار القرار]]
+[[التداول الخوارزمي]]
-[[التمويل]]
+[[التنبؤ بالأسعار]]
-[[التسويق]]
+[[التحليل الفني]]
-[[تحليل المخاطر]]
+[[تحليل حجم التداول]]
-[[التحقق من الصحة]]
+[[العملات المشفرة]]
-[[متوسط الخطأ التربيعي]]
+[[بيتكوين]]
-[[جيني]]
+[[إيثريوم]]
-[[الإنتروبيا]]
+[[التعلم الخاضع للإشراف]]
-[[Random Forest]]
+[[التصنيف]]
-[[الخيارات الثنائية]]
+[[الانحدار]]
-[[المؤشرات الفنية]]
+[[شجرة قرار]]
-[[البيانات الأساسية]]
+[[انحدار خطي]]
-[[الرأس والكتفين]]
+[[تدرج الانحدار]]
-[[المثلثات]]
+[[دالة الخسارة]]
-[[scikit-learn]]
+[[التنظيم]]
+[[الإفراط في التخصيص]]
 [[XGBoost]]
 [[LightGBM]]
 [[CatBoost]]
+[[Scikit-learn]]
+[[استراتيجية المتوسط المتحرك]]
+[[استراتيجية اختراق النطاق]]
+[[استراتيجية تصحيح فيبوناتشي]]
+[[استراتيجية مؤشر القوة النسبية (RSI)]]
+[[استراتيجية MACD]]
+[[استراتيجية بولينجر باند]]
+[[استراتيجية Ichimoku Cloud]]
+[[خطوط الاتجاه]]
+[[مستويات الدعم والمقاومة]]
+[[أنماط الشموع اليابانية]]
+[[مؤشر ستوكاستيك]]
 [[Category:تعلم_آلي]]