当拿到一个数据集时，你通常会怎么做？你脑子里好不容易蹦出的那个答案正确吗？这个问题或许能让不少人尴尬。我们循序渐进地来回答这个问题。我们将遵循这样的顺序： 数据源质量→数据类型→数据集质量→平均水平→

　　人工智能如何处理数据？如果把重点放在数据的处理方式上，那么长期共存的方式大概有两种：   特征学习(feature learning)， 又叫表示学习(representation learning)

　　我们打算看看行业板块（由于数据缺损原因，没有严格按照一级行业数据选择）回报率分布情况，所以选择了直方图这种形式。 直方图绘制可以直接点击工作区的矩阵数据，然后绘图，也可以点击用： s=randn(20

　　Clickhouse入门指南 我们先获取一些开源数据样本集，我们将使用美国1987到2015年的民用航班数据，很难称这个样本为大数据（只包含1亿6千6百万行数据，未压缩时有63GB），但我们能用它很快

　　介绍 第一节   Clickhouse是什么 Clickhouse是一个用于联机分析处理（OLAP）的列式数据库管理系统（columnar DBMS）。   在通常的按行存储的数据库中，数据是按照如下

　　本文以Bremen大学机器学习课程的教程为基础的。总结了使用机器学习解决新问题的一些建议。包括： 可视化数据的方法 选择一个适合当前问题的机器学习方法 鉴别和解决过拟合和欠拟合问题 处理大数据库问题（

　　1、幸存者偏差（Survivorship bias） 幸存者偏差是投资者面对的最普遍问题之一，而且很多人都知道幸存者偏差的存在，但很少人重视它所产生的效果。我们在回测的时候倾向于只使用当前尚存在的公司

　　现在有一张朱迪的照片,这张照片有500多列的像素点构成,但是大部分地方都是白色的，相互没有什么差别，也就是说图像中有很多列都是相互线性相关的，这些列向量对我们接受图像信息没有更大的帮助。那么我们能不能

　　大数据指的是创建的数据和供分析的数据的数量与速率迅速增加。大数据使分析师和数据专家有机会获得更好的见解，进行更明智的决策，但是它同时也会带来许多的挑战：可用的内存可能无法足以处理大数据集，可能需要花太

　　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

　　在内容爆炸性增长的今天，个性化推荐发挥着越来越重要的作用，如何在海量的数据中帮助用户找到感兴趣的物品，成为大数据领域极具挑战性的一项工作；另一方面，深度学习已经被证明在图像处理，计算机视觉，自然语言处

　　“底层公链 → 解决方案 → 行业应用” 这个是目前整个区块链项目公认的发展逻辑，底层公链是基础，解决方案是为了拓展底层公链的性能，或是便利底层公链上的商业应用，在这些基础上，行业应用才能真正的蓬勃发

　　一、收集数据 每一个机器学习问题都始于数据，比如一组邮件、帖子或是推文。文本信息的常见来源包括： 商品评价（来自 Amazon、Yelp 以及其他 App 商城） 用户产出的内容（推文、Faceboo

　　为什么要回测？ 我们首先来看一下什么叫做回测。作者认为，回测就是基于过去发生的历史信息产生历史交易，并考察这些交易业绩的过程。   如果我们把传统的交易投资视为主观交易，把量化投资视为客观交易的话，那