一、简介 1. 目标： 已知股票的「开盘价」和「收盘价」，利用神经网络来预测「收盘均价」   2. 数据源： 日期（data）： [ 1.  2.  3.  4.  5.  6.  7.  8.  9

　　用于分类的多层感知器 是否有可能创建一个神经网络来预测一组交易指标的日常市场走势？ 我们将使用Tensorflow创建和开发一个简单的模型框架，以及提出一些对初步结果改进的意见。     ML的任务和

　　交叉熵的作用 通过神经网络解决多分类问题时，最常用的一种方式就是在最后一层设置n个输出节点，无论在浅层神经网络还是在CNN中都是如此，比如，在AlexNet中最后的输出层有1000个节点：  而即便是

　　由于深度神经网络（DNN）层数很多，每次训练都是逐层由后至前传递。传递项<1，梯度可能变得非常小趋于0，以此来训练网络几乎不会有什么变化，即vanishing gradients problem；或者

　　神经网络的预备知识  为什么要用神经网络？ 特征提取的高效性。 大家可能会疑惑，对于同一个分类任务，我们可以用机器学习的算法来做，为什么要用神经网络呢？大家回顾一下，一个分类任务，我们在用机器学习算法

　　笔记1中我们利用  numpy  搭建了神经网络最简单的结构单元：感知机。笔记2将继续学习如何手动搭建神经网络。我们将学习如何利用  numpy  搭建一个含单隐层的神经网络。单隐层顾名思义，即仅含一

　　导读： 调试神经网络是一项艰难的工作，专家也不例外。面对数百万的参数，任何一个小变动都可能使你前功尽弃。没有调试和可视化，所有你的行动就像抛硬币，而且更糟糕的是还浪费时间。下面是我搜集的实践汇总，希望

　　深度学习的具体模型及方法 1、自动编码器（AutoEncoder ） 2、稀疏自动编码器(Sparse AutoEncoder) 3、限制波尔兹曼机（Restricted Boltzmann Mach

　　RNN简介 RNN 不同于传统神经网络的感知机的最大特征就是跟时间挂上钩，即包含了一个循环的网络，就是下一时间的结果不仅受下一时间的输入的影响，也受上一时间输出的影响，进一步地说就是信息具有持久的影响

　　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

　　前言   深度学习技术在交易中的研究 深度学习最近受到了很多关注，特别是在图像分类和语音识别领域。然而，它的应用似乎并没有广泛应用到交易当中。这项调查涵盖了到目前为止作者(Greg Harris)发现

　　导读： 通过本篇文章可以对ML的常用算法有个常识性的认识，没有代码，没有复杂的理论推导，就是图解一下，知道这些算法是什么，它们是怎么应用的，例子主要是分类问题。 每个算法都看了好几个视频，挑出讲的最清

　　这一篇我们会把神经网络这个框架完善，这一篇结束后，一个能跑的、自由度相当高的神经网路就新鲜出炉了。Again，由于实现是比较重要的，所以我们先不管接口、只把功能弄出来。同时需要指出的是，我们会用到损失

　　这一篇主要打算直观地说一下神经网络是什么，然后简单地介绍一个算法中的核心结构——层（Layer）。虽然扯上一些生物科学神经科学什么的可能会高大上一点，不过想了想还是算了……咳。那么说到神经网络想到的是