RNN是一个循环递归网络，因此在t时刻，网络的输出误差不仅与t时刻的隐含状态有关，也与t时刻之前的所有时刻的隐含状态有关。这一特点，正表明RNN相比传统的隐马尔科夫模型的优势是它充分考虑了历史所有时刻

　　RNN是一个图灵完全的模型，便意味着只要设计好RNN的外部存储机制，RNN模型的应用之广泛将远超我们的想象。为了更好地了解时序模型，从这期开始谈谈以RNN为核心的可扩展时序模型的研究状况及应用。 在神

　　1、原理回顾 机器作词是序列建模（以下简称seq2seq）的典型应用，其基本思想就是给定序列A，机器负责产生序列B，并且再将序列B作为输入，机器负责生成序列C...如此循环下去即可生成无限长度的序列。

　　长短期记忆模型LSTM 首先想，为什么RNN的记忆性不够？我们可以把梯度消失问题转换成比较形象的解释，例如可能是输入权重Win没有很好地过滤掉输入噪音，还有可能是输出权重W_out没有很好地输出有用的

　　参照 char-rnn-tensorflow，使用RNN的字符模型，学习并生成古诗。    准备环境 tensorflow   训练 python train.py在使用GPU的情况下，两个小时内即可

　　在上一篇推文中，提到了如何运用序列建模进行机器翻译，机器翻译系统主要包含编码器和解码器，编码器负责将待翻译的句子进行特征表示，而解码器则负责将此特征用另外一种语言表示出来。神经机器翻译模型（Neura

　　数据准备 为了更好地了解**时间序列，让我们来看看如何看图像，其实也不只有两个尺寸（高度和宽度），还有表示颜色的“深度”： 在时间序列的情况下，我们的图像只是一维的（在图上看到的），channels的

　　1.原理概述 序列学习其实是深度学习中的一个应用非常广泛的概念，例如语音识别、语言建模、机器翻译、机器作曲、机器写稿、自动对话、QA系统等都属于序列学习的领域，今天讲讲解如何运用序列建模的思想来构建一

　　利润表的分析有三个难点： 第一，利润表不能孤立的看， 应该结合资产负债表来全面分析 。 第二， 利润表容易被粉饰造假 ，必须还原利润表的本来面目。 第三，即使利润数字是可靠的，只有对这些数字进行合理的

　　一般来说，用pandas处理小于100兆的数据，性能不是问题。当用pandas来处理100兆至几个G的数据时，将会比较耗时，同时会导致程序因内存不足而运行失败。 当然，像Spark这类的工具能够胜任处

　　对于对冲基金很多人不是特别了解，今天给大家简而明了的介绍一下，你可以有一个形象的理解。 事情是这样的，Mike同学看到搞金融的都巨赚钱，也想创一个对冲基金玩玩，于是他去了高盛提出申请，高盛的Sam大叔

　　前言 好久没有更新专栏，今天我们来看一个简单的Seq2Seq实现，我们将使用TensorFlow来实现一个基础版本的Seq2Seq，主要帮助理解Seq2Seq中的基础架构。   最基础的Seq2Seq

　　分级A隐含收益率详细分析 最近在研究分级基金，发现分级A的隐含收益率很有意思，所以做了一些拓展和研究，发现真是有学问在里面，今天把自己得研究分享给大家，说不定以后你也会用到。 下面的所有公式我都推导过

　　问题类型1：参数估计 真实值是否等于X？ 给出数据，对于参数，可能的值的概率分布是多少？   例子1：抛硬币问题 硬币扔了n次，正面朝上是h次。   参数问题 想知道 p 的可能性。给定 n 扔的次数

　　1. 目前的因子测试方法 目前的因子分析方法一般包括两方面： 1、 对因子收益率和 IC 的筛选： ◆     收益率：要求胜率或者 Top-Bottom 收益率超过设定值； ◆     IC：要求