导言

Rosenblatt 感知器

回归建模

最小均方算法

多层感知器

核方法和径向基函数网络

支持向量机

主成分分析

自组织映射

信息论学习模型

源于统计力学的随机方法

动态规划

神经动力学

动态系统状态估计的贝叶斯滤波

动态驱动递归网络

Read more

概述

监督学习概述

回归的线性方法

分类的线性方法

基展开与正则化方法

核平滑方法

模型的评估和选择

模型的推断和平均

加性模型，树和相关方法

Boosting 和加性树

神经网络

支持向量机与柔性判别分析

原型方法与最近邻

非监督学习

随机森林

集成学习

无向图模型

高维问题

Read more

机器学习的流程

简单而又奇妙的数值

文本数据： 扁平化，过滤和分块

特征缩放的效果：从词袋到tf-idf

分类变量：自动化时代的数据计数

数据降维：使用PCA 挤压数据

非线性特征话与k-均值模型堆叠

自动特征生成：图像特征提取和深度学习

回到特征：建立学术论文推荐器

附录A： 线性建模与线性代数基础

Read more

链式法则：微积分中看不见的纽带

在微积分的宏伟殿堂中，链式法则宛如一条看不见的纽带，将复杂函数的求导过程分解为优雅而简洁的步骤。这条看似简单的法则，不仅是数学家的精巧创造，更是我们理解变化世界中多层关系的钥匙。当我们追踪空气中污染物的扩散、计算金融市场的复合增长率，甚至训练深度神经网络时，链式法则都在默默发挥着它的魔力。

链式法则解决的核心问题是复合函数的求导方法。所谓复合函数，就像俄罗斯套娃，一个函数嵌套在另一个函数之中。形式上，如果有两个函数y=f(u)和u=g(x)，那么它们的复合函数就是y=f(g(x))。链式法则告诉我们，这个复合函数的导数可以表示为：dy/dx = (dy/d...

Read more

数据科学体系架构：从理论基础到工程实践

一、数据基础架构与工程实践

现代数据科学建立在规模化数据工程基础之上。数据流水线采用Lambda架构实现批流一体化处理，使用Apache Spark进行分布式ETL处理，通过Apache Kafka构建实时数据流平台。数据质量保障采用系统化方法：使用Great Expectations框架定义数据质量规则，通过Anomaly Detection算法识别数据异常，基于数据血缘分析实现全链路追溯。

在特征工程层面，我们采用自动化特征工程（AutoFE）技术：使用TSFresh进行时序特征自动生成，通过FeatureTools实现深度特征合成。针对高维稀...

Read more

数据科学体系化构建：从底层处理到生产级部署

数据科学作为一门融合统计学、计算机科学和领域知识的交叉学科，已形成完整的理论体系和技术栈。本文将从专业视角深入剖析数据科学的关键组成部分，着重探讨数据处理与分析、机器学习、图分析、向量搜索、优化算法以及MLOps等核心模块的技术实现与系统集成。

数据工程基础：构建可靠的数据流水线

数据处理是数据科学项目的基石。在实际工业场景中，数据工程师需要构建稳健的ETL（Extract-Transform-Load）流水线来处理多源异构数据。我们采用Apache Spark等分布式计算框架处理海量数据，运用数据质量框架如Great Expectations...

Read more

数据科学全景解析：从数据处理到智能部署

在当今数据驱动的时代，数据科学已成为企业获取竞争优势的核心引擎。作为一名数据科学家，我深刻理解这个领域的复杂性和多维性。数据科学不仅是一门学科，更是一个完整的生态系统，涵盖了从数据收集到智能决策的全过程。本文将带您深入探索数据科学的关键组成部分，揭示如何将原始数据转化为可行动的智能。

数据基础：处理与分析的艺术

任何数据科学项目的起点都是数据。数据处理与分析构成了整个数据科学金字塔的基石。在实际工作中，数据往往以混乱、不完整的形式存在。数据清洗和预处理因此成为最关键且最耗时的环节。我们使用各种工具和技术来处理缺失值、异常值和重复数据，确保数据质量。...

Read more

机器智能

人工智能

超级智能

金融和机器学习

规范性金融理论

数据驱动的金融学

机器学习

人工智能优先的金融

统计失效

密集神经网络

循环神经网络

强化学习

算法交易

向量化回测

风险管理

执行与部署

展望

基于人工智能的竞争

金融奇点

附录

交互式神经网络

神经网络类

卷积神经网络

Read more

金融心理学

理性人和真实世界

一些实用术语

第一项基本原理： 市场走在前

第二项基本原理：市场是非理性的

第三项基本原理：混沌支配

第四项基本原理：技术图形自我实现

心理学的起源

Read more

Read more