百亿量化-佳期投资2025全球校园招聘开始！C++、高性能计算、机器学习、FPGA等岗位，全职/实习均可投递！

最新推荐文章于 2025-06-05 18:54:45 发布
置顶 最新推荐文章于 2025-06-05 18:54:45 发布
阅读量538 收藏 2
点赞数 3
文章标签： 求职招聘 机器学习 c++ fpga开发 python 性能优化
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/LeslieZhang_JQ/article/details/141330264
版权

关于佳期

佳期投资是一家行业领先的百亿量化对冲基金。十多年来，我们凭借领先的技术、突出的数据研究能力，以及严谨系统化的投资策略创造了优秀的业绩。我们的全明星团队汇集了拥有资深量化投资经验及多学科背景的专家，团队成员曾任职于海内外顶级对冲基金，技术公司和研究机构，毕业于哈佛、普林斯顿、麻省理工、斯坦福、牛津、清华、北大、上交、复旦、中科大等顶尖学府。我们倡导多元化的团队架构，以开放的心态通力合作、共创未来。

招聘岗位

投研与交易团队：

量化策略研究员|研究量化策略的方方面面

深度学习研究员|研究AI和深度学习的应用

数据科学研究员|负责数据方向的研究推进

量化交易员|高效交易执行、监督全自动化策略运行

技术团队：

核心系统工程师|设计与开发低延迟交易系统

最低0.47元/天 解锁文章
LeslieZhang_JQ
关注
佳期投资专场——第321场LeetCode周赛题解
沉迷单车的追风少年
11-27 810
直接双指针遍历，让指向字符串s的指针走的快，指向字符串t的指针走得慢，tp就是两个字符串相互重复的最大部分。这题的关键在于我们需要从右向左看，但是单向链表逆序遍历又比较麻烦，所以我们先遍历一遍链表，将所有链表的值保存下来。这题我没来得及写完，我当时的思路很简单：回溯得到所有子数组，然后遍历一遍得到符合条件的数量。但是连续子数组用回溯不好写，如果用暴力双循环的话，复杂度O(N*N)，这样也过不了。我们可以把前缀和计算一遍，再把后缀和计算一遍，这个复杂度是O(N+N)
基于SpringBoot的求职招聘网站系统（源码+数据库）
shaoweijava的博客
03-29 813
基于SpringBoot的求职招聘网站系统，本系统共分为2个角色：系统管理员、用户
OpenGAN：基于开放数据生成的开放集识别
LJ1147517021的博客
05-26 2460
这次学习的OpenGAN主要学习一个思路，跳出传统GAN对于判断真假的识别到判断是已知种类还是未知种类。重点内容不在于代码而是思路，会简要给出一个设计的代码。
机器学习的数学基础：决策树
最新发布
2301_81197800的博客
06-05 778
后剪枝是指先不做干预，让决策树完整生长至叶子结点（即按常规构建流程生成一棵尽可能复杂的树 ），之后再从树的底层向上（或自顶向下等方式 ）遍历结点，评估将某个分支剪掉（即把该分支替换为叶结点，类别按分支中样本多数类等方式确定 ）后，模型在验证集上的泛化能力是否提升，若提升则剪枝，直至无法通过剪枝改善性能。划分后，能达到最优的划分效果（比如用信息增益、信息增益比、基尼指数等指标衡量，和离散属性选最优划分的逻辑一致，只是候选划分是基于连续值构造的“二分点” ）。让缺失值样本 “以不同概率，划入所有可能的分支”.
深入解析支撑向量机（SVM）：原理、推导与实现
weixin_41544125的博客
06-02 1048
支撑向量机是一种用于二分类问题的监督学习算法。它的目标是找到一个最优超平面，将不同类别的数据点分开，同时最大化两类数据点之间的间隔。SVM不仅在理论上具有坚实的数学基础，而且在实际应用中也表现出色，尤其适用于高维数据和小样本情况。KaTeX parse error: Can't use function '\(' in math mode at position 22: …一个二分类问题，数据集表示为 \̲(̲(x_i, y_i)\)，其中…
PyTorch实战——基于生成对抗网络生成服饰图像
盼小辉丶的博客
06-01 859
我们已经学习了生成对抗网络 (Generative Adversarial Network, GAN) 的工作原理，接下来，将学习如何将其应用于生成其他形式的内容。在本节中，介绍使用 GAN 创建灰度图像，包括外套、衬衫、凉鞋等服饰，学习在设计生成器网络时如何镜像判别器网络。在本节中，生成器和判别器网络使用全连接层，全连接层的每个神经元都与前一层和后一层的所有神经元相连接。
机器学习----决策树
Xyz_Overlord的博客
06-01 896
fromimportfromimportplot_tree决策树是一种树形结构，树中每个内部节点表示一个特征上的判断，每个分支代表一个判断结果的输出，每个叶子节点代表一种分类结果。决策树的建立过程（三要素）：1.特征选择：选择较强分类能力的特征；2.决策树的生成：根据选择的特征生成决策树；3.决策树的剪枝：决策树也容易过拟合，采用剪枝的方法缓解过拟合。
机器学习与深度学习12-K近邻算法
beijieweiyu的博客
06-05 601
训练阶段：在训练阶段，算法会存储所有的训练样本数据及其所属的类别或标签测试阶段：在测试阶段，对于待分类或回归的样本，算法会找出与该样本最近的K个训练样本分类：对于分类问题，KNN算法使用这K个最近的训练样本中最常见的类别来预测待分类样本的类别。例如，如果K=3，这三个最近的训练样本分别属于类别A、B、B，那么待分类样本将被预测为类别B回归：对于回归问题，KNN算法使用这K个最近的训练样本的平均值或加权平均值来预测待回归样本的输出。
机器学习——XGBoost
yn3535_的博客
06-05 326
因此第一次通过这个循环时，我们可能会像这样创建一个训练集，并像这样训练决策树，这里是我们要改变算法的地方，也就是每次通过这个循环，除了第一次，会有第二次、第三次，以此类推，在抽样时，不是以相同的概率选择每个训练样本，而是将以更高的概率选择那些在我们目前构建的树集合中。，注意是原始训练集，不是通过某种方式或替换生成的训练集，我们会查看所有的这10个例子，并查看这个学习的决策树对这10个例子的预测，所以第四列是它们的预测结果，在每个例子后边打✅，这取决于。，这是一个非常快速且高效的开源提升树实现，
机器学习之深入理解机器学习常见算法：原理、公式与应用
载_酒i
06-04 966
本文系统介绍了机器学习的三大类算法及其核心原理。监督学习部分涵盖线性回归、逻辑回归、SVM、KNN、决策树和随机森林等算法，详细解析了各自的目标函数和优化方法。无监督学习重点介绍K均值聚类和PCA降维算法的工作原理。深度学习部分阐述了神经网络的基本结构，以及CNN和RNN在图像和序列处理中的特殊设计。文章最后总结了不同算法类型的适用场景，强调应根据数据特征和任务需求选择合适的模型。全文提供了严谨的数学公式表达，为理解机器学习算法奠定了理论基础。
基于 TensorFlow 2 的 WGAN来生成表格数据、数值数据和序列数据。 WGAN生成对抗网络。代码仅供参考
QQ67658008的博客
06-05 378
摘要：本文介绍如何配置Python环境并实现基于TensorFlow 2的WGAN模型用于生成表格/数值/序列数据。环境配置需安装tensorflow、numpy等库。代码包含四个核心部分：1) 数据加载与标准化预处理；2) 构建带梯度惩罚的WGAN模型，包括生成器、判别器网络和Wasserstein损失函数；3) 训练过程实现，采用随机采样和梯度惩罚机制；4) 提供数据生成接口。该模板支持自定义数据维度和类型，用户需替换数据路径并调整网络参数以适应具体任务，注意代码需根据实际数据特征修改输入输出维度。
机器学习——集成学习
Xyz_Overlord的博客
06-02 1273
集成学习: (Ensemble Learning)是一种机器学习范式，它通过构建并结合多个模型来完成学习任务,获得更好的泛化性能。核心思想：通过组合多个弱学习器来构建一个强学习器。bagging思想：有放回的抽样；平权投票，多数表决方式决定预测结果；并行训练。boosting思想：全部样本（重点关注上一训练器不足的地方训练）；加权投票的方式；串行训练。
机器学习实验八--基于pca的人脸识别
bj3281的博客
06-05 705
通过本次基于PCA的人脸识别实验，我深入理解了主成分分析的核心原理及其在实际问题中的应用价值。实验过程中，我不仅掌握了如何将高维图像数据转化为适合PCA处理的矩阵形式，还学会了数据标准化和中心化的预处理方法。通过可视化特征脸，我直观认识到PCA如何自动提取数据的主要变化模式，这些特征脸实际上构成了人脸图像的基础成分。
机器学习：支持向量机（SVM）原理解析及垃圾邮件过滤实战
riririch的博客
06-02 1167
x1y1x2y2xnynxi∈Rdyi∈−11{(x1​y1​x2​y2​xn​yn​)}xi​∈Rdyi​∈−11wTxb0wTxb0使得所有训练样本被完全正确分类，并且分类间隔最大。对所有样本i12ni12...nyiwTxib≥1yi​wTxi​b≥1这表示：如果yi1y_i = +1yi​1，则。
学习笔记(24): 机器学习之数据预处理Pandas和转换成张量格式[2]
fen_fen的专栏
06-04 900
学习笔记(24): 机器学习之数据预处理Pandas和转换成张量格式[2]
Amazon Augmented AI：人类智慧与AI协作，破解机器学习审核难题
awscloud的博客
06-01 985
在人工智能日益渗透业务核心的今天，你是否遭遇过这样的困境：自动化AI处理海量数据时，面对模糊、复杂或高风险的场景频频“卡壳”？人工审核团队则被低效、重复的任务压得喘不过气？Amazon Augmented AI (A2I) 的诞生，正是为了架起这道关键桥梁——它让人类判断力与AI效率完美协作，将机器学习落地痛点转化为业务增长动力。
机器学习——什么时候使用决策树
yn3535_的博客
06-05 165
例如，在房价预测应用中，我们有一个数据集，其包含于房屋大小、卧室数量、楼层数量和房龄相关特征，这种类型的数据存储在电子表格中，带有分类或连续值特征，无论是用于分类任务还是回归任务，当你试图预测一个离散类别或预测一个数值时，所有这些问题都是决策树可以做得很好的。在表格结构化数据上，神经网络和决策树都具有竞争力，而在非结构化数据上，神经网络是首选，而不是决策树或集成树，神经网络的一个。，因为在许多应用中，如果你的数据集很小，能够适应迁移学习并在一个更大的数据集上进行预训练，这是获得竞争性表现的关键。
新成果：GaN基VCSEL动态物理模型开发
simucal的博客
06-05 182
为此，技术团队探索了电子注入效率对-3 dB带宽的影响，并提出了解决方案[1]。图1表明，相比于传统的VCSEL器件（Device R），随着引入组分渐变式量子垒（Device A）结构和组分渐变式量子垒/p型电子阻挡层结构（Device E），有源区内部受激复合时间（τsti）逐渐减小，电子逃逸时间（τesc）逐渐增加，器件的-3dB带宽逐渐提高。此外，技术团队还提出了改善GaN基VCSEL动态特性的技术方案，探索了脉冲模式下VCSEL表面缺陷及载流子注入效率对啁啾效应的影响[2]。
机器学习：欠拟合、过拟合、正则化
sulin123123的博客
05-31 1844
2）增大数据的训练量，还有一个原因就是我们用于训练的数据量太小导致的，训练数据占总数据的比例过小。1）重新清洗数据，导致过拟合的一个原因有可能是数据不纯，如果出现了过拟合就需要重新清洗数据。，模型过于简单时的常用套路，例如将线性模型通过添加二次项或三次项使模型泛化能力更强。原始特征过多，存在一些嘈杂特征， 模型过于复杂是因为模型尝试去兼顾所有测试样本。，有时出现欠拟合是因为特征项不够导致的，可以添加其他特征项来解决。(体现在准确率下降)，此时认为这个假设出现了过拟合的现象。学习到数据的特征过少。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值