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

　　1. 前言 前一篇写了如何用Python构建AR模型，但是由于不太熟悉，很多问题都没有说清楚，本文用R语言详细的讲一讲，算是为前面两篇文章补漏吧。   2. 获取数据 library(quantmod

　　1. 前言 本文简单谈谈如何用Python构建AR模型，并进行数据预测。  本文承接前文：  金融时间序列分析：3. First Demo By Python 这篇文章介绍了用Python获取数据、数

　　1. 前言 接下来真是进入金融时间序列分析与预测阶段，可以说进入本篇算是正式入门了。  这里会聊聊一个最基本的模型——AR模型 2. AR模型 AR模型：（Autoregressive Model）自

　　前面2篇文章讲了金融时间序列分析的基础知识，本文简单介绍下怎么实战。  网上有很多用R语言进行金融时间序列分析的资料，但是用Python的不多，我在此介绍下怎么用Python操作，至于R语言怎么弄，读

　　1. 时间序列模型 1.1 数学模型 随机变量序列{Yt:t=0,1,2,......}{Yt:t=0,1,2,......}称为一个时间序列模型。  t = 0, 1,2,3….  均值函数：  μ