Atitit 区块链之道 attilax著 艾龙著 1. 金融=制度+技术+信息 1 2. 第一章可信的协议 1 3. 第二章引导未来:区块链经济七大设计原则 1 4. 第五章 新商业

Atitit 区块链之道 attilax著 艾龙著

 

1. 金融=制度+技术+信息 1

2. 第一章可信的协议 1

3. 第二章引导未来:区块链经济七大设计原则 1

4. 第五章  新商业模式:在区块链上寻找新机会 2

5. 第十章克服困难:实施过程中的1个挑战 2

 

1. 金融=制度+技术+信息

 

2. 第一章可信的协议

寻找可信的协议

这个世界账本是如何运作的?

区块链的理性繁荣

在数字化时代达成信任

互联网的回归

你的个人化身及身份的黑盒子

走向繁华的目标

新平台的前景与隐患

 

3. 第二章引导未来:区块链经济七大设计原则

七大设计原则

设计未来

 

4. 第五章  新商业模式:在区块链上寻找新机会

BAirbnb VSAirbnb

全球计算:分布式应用的兴起

Dapp的王者:分布式商业实体

自主运作的代理人

分布式自主运作企业

七大开放式联网企业商业模式

改变你的未来:商业模式创新

 

 

5. 第十章克服困难:实施过程中的1个挑战

该技术仍未能满足大规模使用

能源消耗不可持续

政府会扼杀或扭曲它

旧范式的强大既得利益者会介入

对分布式大型协作的激励并不充足

区块链会对就业带来冲击

协议的治理就像是牧放一群猫

自主运作的代理人会形成“天网机器人”

老大哥还在监视着你

罪犯们也会使用这个网络

这是区块链将会失败的原因还是实施过程的挑战?

 

第1章 区块链思想的诞生 2
1.1 从实体货币到数字货币 2
1.2 站在巨人的肩膀上 5
1.3 了不起的社会学实验 5
1.4 潜在的商业价值 7
1.5 本章小结 8
2章 核心技术概览 9
2.1 定义与原理 9
2.2 技术的演化与分类 11
2.3 关键问题和挑战 13
2.4 趋势与展望 17
2.5 认识上的误区 19
2.6 本章小结 19

第4章 分布式系统核心问题 34
4.1 一致性问题 34
4.1.1 定义与重要性 34
4.1.2 问题与挑战 35
4.1.3 一致性要求 36
4.1.4 带约束的一致性 36
4.2 共识算法 37
4.2.1 问题与挑战 38
4.2.2 常见算法 38
4.2.3 理论界限 38
4.3 FLP 不可能原理 39
4.3.1 定义 39
4.3.2 正确理解 39
4.4 CAP 原理 40
4.4.1 定义 40
4.4.2 应用场景 41
4.5 ACID 原则 41
4.6 Paxos 算法与 Raft 算法 42
4.6.1 Paxos 算法 42
4.6.2 Raft 算法 45
4.7 拜占庭问题与算法 45
4.8 可靠性指标 48
4.8.1 几个 9 的指标 48
4.8.2 两个核心时间 49
4.8.3 提高可靠性 49
4.9 本章小结 49

第二章区块链基础

一、区块链的基本概念

二、区块链的工作原理

三、区块链共识机制

四、区块链面临的问题

第三章区块链进阶

一、简单支付验证(SPV)

二、侧链

三、闪电网络

 

第四章智能合约

一、智能合约的起源

二、智能合约的定义

三、智能合约与传统合约的区别

四、智能合约与区块链

五、智能合约应用案例

六、智能合约面临的问题

七、智能合约的未来展望

 

第五章区块链怎么玩

一、数字货币

二、支付汇兑

三、登记结算

四、数据存证

五、知识产权保护

六、溯源、防伪与供应链

七、身份认证与公民服务

八、物联网

九、保险

十、医疗

十一、博彩和预测市场

第六章从信息互联网到价值互联网

一、技术创新与制度创新

二、中心化与去中心化

三、区块链与共享金融

四、区块链与货币创新

五、区块链与金融创新

 

第八章区块链经济学的范式革命

一、自由与演化:发自社区,来自市场

二、组织与激励:各花入各眼

三、纳什均衡:公有链的永动机之谜

四、比特币的内在价值:当它成为一种刚性需求

五、博弈与合作:区块链——信任的机器

后记

附录

附录1国内区块链项目一览表

附录2国外区块链项目一览表

 

 

参考资料

《区块链革命:比特币底层技术如何改变货币、商业和世界》([]唐塔普斯科特)【简介_书评_在线阅读】 - 当当图书.mhtml

《区块链原理、设计与应用》(杨保华)【简介_书评_在线阅读】 - 当当图书.mhtml

《区块链:从数字货币到信用社会》(长铗 韩锋 等)【简介_书评_在线阅读】 - 当当图书.mhtml

《区块链技术指南》(邹均 曹寅 刘天喜等)【简介_书评_在线阅读】 - 当当图书.mhtml

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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