自定义博客皮肤VIP专享

*博客头图:

格式为PNG、JPG,宽度*高度大于1920*100像素,不超过2MB,主视觉建议放在右侧,请参照线上博客头图

请上传大于1920*100像素的图片!

博客底图:

图片格式为PNG、JPG,不超过1MB,可上下左右平铺至整个背景

栏目图:

图片格式为PNG、JPG,图片宽度*高度为300*38像素,不超过0.5MB

主标题颜色:

RGB颜色,例如:#AFAFAF

Hover:

RGB颜色,例如:#AFAFAF

副标题颜色:

RGB颜色,例如:#AFAFAF

自定义博客皮肤

-+
  • 博客(6)
  • 资源 (4)
  • 收藏
  • 关注

原创 机器学习笔记(七):SVM

一、前导1、最优化问题最优化问题一般是指对于某一个函数而言,求解在其指定作用域上的全局最小值问题,一般分为以下三种情况(备注:以下几种方式求出来的解都有可能是局部极小值,只有当函数是凸函数的时候,才可以得到全局最小值):①无约束问题:求解方式一般求解方式梯度下降法、牛顿法、坐标轴下降法等;②等式约束条件:求解方式一般为拉格朗日乘子法拉格朗日乘子法求解③不等式约...

2018-10-11 22:41:46 1783

原创 梯度下降法python+numpy实现

批量梯度下降法(Batch Gradient Descent, BGD):使用所有样本在当前点的梯度值来对变量参数进行更新操作。随机梯度下降法(Stochastic Gradient Descent, SGD):在更新变量参数的时候,选取一个样本的梯度值来更新参数。小批量梯度下降法(Mini-batch Gradient Descent, MBGD):集合BGD和SGD的特性,从原...

2018-10-11 16:28:05 2713 1

原创 数据结构与算法LeetCode刷题(Python)

参考资料:1、《面试算法LeetCode刷题班》 - 小象学院2、csujedihy / lc-all-solutions一、链表      1.  链表的必备知识要点(包括基础知识、刷题中使用的STL等知识)     2.  链表逆序(LeetCode 92 ,206. Reverse Linked List 1,2)     3.  求两个链表的交点(LeetCod...

2018-10-07 11:59:37 1743

原创 深度学习笔记(一):TensorFlow基础

TensorFlow模型保存、加载

2018-10-03 21:12:03 116

原创 机器学习笔记(六):聚类算法

一、聚类算法总括1.1  定义对大量未标注的数据集按数据内部存在的数据特征划分为多个不同类别,使类别内数据比较相似,类别间数据相似度比较小。1.2  和分类算法区别分类算法:有监督学习聚类算法:无监督学习1.3  样本相似度度量1.3.1  闵可夫斯基距离(Minkowski)a. p=1:曼哈顿距离b. p=2:欧氏距离(常用)c. p为无穷大:切比雪...

2018-10-03 20:46:51 1231

原创 数据结构与算法(Python)学习笔记

一、引入概念1、学习数据结构与算法的必要性没有看过数据结构和算法,有时面对问题可能会没有任何思路,不知如何下手去解决;大部分时间可能解决了问题,可是对程序运行的效率和开销没有意识,性能低下;有时会借助别人开发的利器暂时解决了问题,可是遇到性能瓶颈的时候,又不知该如何进行针对性的优化。如果我们常看兵法,便可做到胸有成竹,有时会事半功倍!同样,如果我们常看数据结构与算法,我们写程序时也能游刃有...

2018-10-01 11:41:58 1236

mysql-connector-java-8.0.11.zip

下载后解压,将jar文件放入neo4j安装目录下的plugins文件夹

2019-07-01

pyltp whl文件——python3.6版

pip install pyltp报错解决办法: 1、下载此文件;2、解压至磁盘;3、pip install C:\pyltp-0.2.1-cp36-cp36m-win_amd64.whl(以文件解压在C盘根目录为例,pip install 文件位置)

2018-07-06

pyltp whl文件——python3.5版本

pip install pyltp报错解决办法: 1、下载此文件;2、解压至磁盘;3、pip install C:\pyltp-0.2.1-cp35-cp35m-win_amd64.whl(以文件解压在C盘根目录为例,pip install 文件位置)

2018-07-06

Advances in Financial Machine Learning

Machine learning (ML) is changing virtually every aspect of our lives. Today ML algorithms accomplish tasks that until recently only expert humans could perform. As it relates to finance, this is the most exciting time to adopt a disruptive technology that will transform how everyone invests for generations. Readers will learn how to structure Big data in a way that is amenable to ML algorithms; how to conduct research with ML algorithms on that data; how to use supercomputing methods; how to backtest your discoveries while avoiding false positives. The book addresses real-life problems faced by practitioners on a daily basis, and explains scientifically sound solutions using math, supported by code and examples. Readers become active users who can test the proposed solutions in their particular setting. Written by a recognized expert and portfolio manager, this book will equip investment professionals with the groundbreaking tools needed to succeed in modern finance.

2018-05-27

空空如也

TA创建的收藏夹 TA关注的收藏夹

TA关注的人

提示
确定要删除当前文章?
取消 删除