揭秘统计软件如 R，Octave，Matlab 等使用的随机数发生器，然后做一些统计检验，再将其应用到**随机变量和的模拟中，最后与符号计算得到的精确结果比较。除特别说明外，文中涉及到的随机数都是指伪

　　这一篇我们会把神经网络这个框架完善，这一篇结束后，一个能跑的、自由度相当高的神经网路就新鲜出炉了。Again，由于实现是比较重要的，所以我们先不管接口、只把功能弄出来。同时需要指出的是，我们会用到损失

　　从这一篇开始就要讲第二个核心结构 神经网络（NN）的实现了。这一部分是个有点大的坑，我会尽我所能地一一说明。在这一篇里面，我们会说明如何把整个神经网络的结构搭建起来。 援引之前用过的一张图：   可以

　　这一篇主要打算直观地说一下神经网络是什么，然后简单地介绍一个算法中的核心结构——层（Layer）。虽然扯上一些生物科学神经科学什么的可能会高大上一点，不过想了想还是算了……咳。那么说到神经网络想到的是

　　由于神经网络听上去最厉害（？），所以打算先讲一讲这部分        封面图算是最终结果中 CNN 的一个比较简易的呈现；可能有些童鞋还不知道是什么意思，可能有些大神已经看出了一些端倪。总之，我个人的

　　对于深度学习和机器学习工程师们来说，正态分布是世界上所有概率模型中最重要的一个。即使你没有参与过任何人工智能项目，也一定遇到过高斯模型，今天就让我们来看看高斯过程为什么这么受欢迎。   高斯分布（Ga

　　从推动复杂市场的预测分析到到效率更高的自动化流程，技术明显可以加速化企业在前沿竞争的步伐。但是，如果推动这些创新的数据良莠不齐，那么不管使用哪种工具效果都会大打折扣。“数据质量不佳是阻碍机器学习广泛发

　　人类正在慢慢接近世界的本质——物质只是承载信息模式的载体。人脑之外的器官都只是保障这一使命的给养舰队。自从去年 AlphaGo 完虐李世乭，深度学习火了。但似乎没人说得清它的原理，只是把它当作一个黑箱

　　此书专注于中文的自然语言处理，以Python及其相关框架为工具，以实战为导向，详细讲解了自然语言处理的各种核心技术、方法论和经典算法。三位作者在人工智能、大数据和算法领域有丰富的积累和经验，是阿里巴巴

　　俗话说的好：思路决定出路，眼界决定境界。作为一名程序化交易爱好者，仅仅依靠已经掌握了模型编写平台的基本语法和函数，是远远不够的。 要想编写出一个真正具有实战价值的自动交易系统模型，设计思想的重要性不言

　　我们已经了解概率的基础，概率中通常将试验的结果称为随机变量。随机变量将每一个可能出现的试验结果赋予了一个数值，包含离散型随机变量和连续型随机变量。掷硬币就是一个典型的离散型随机变量，离散随机变量可以取

　　概率是度量一件事发生的可能性，它是介于0到1之间的数值。我们抛一枚硬币，它有正面朝上和反面朝上两种结果，通常用样本空间S表示，S={正面，反面}。如果把硬币抛两次呢？它拥有四种结果，S={(正面,正面

　　1. ARMA模型 ARMA简单理解就是AR模型和MA模型混合。  更加复杂的情况下：一个ARMA过程可能是AR与MA过程、几个AR过程、AR与ARMA过程的迭加，也可能是测度误差较大的AR过程。 A

　　1. 前言 数据获取，预处理，定阶什么的参考前面几篇文章：  金融时间序列分析：3. First Demo By Python 金融时间序列分析：5. AR模型实例（Python） MA模型的讲解参考

　　1. 前言 AR和MA模型是时序数据分析两个最基本的模型。 AR仅通过时间序列变量的自身历史观测值来反映有关因素对预测目标的影响和作用，不受模型变量相互**的假设条件约束，所构成的模型可以消除普通回归