——成就的取得都是源自于机械、枯燥的训练和胜绩的积累   你不讲十倍杠杆、雪球效应、浮盈加仓、一年千倍、一夜暴富，大家就会怀疑你讲的是不是交易。交易真正的成功就是±01%、±0.5%、±1%、1%、2

　　NO：01   人的一生，从小到大、从大到老，其实是一个不断犯错，又纠正，又犯错的过程，几乎谁也无法例外。 或许曾经犯下许多，在现在看来很低级的错误；亦或许错过许多上车的机会，比如：房地产、互联网、数

　　导读: 华尔街有许多的交易高手，他们不仅在市场上获益颇丰，而且总是表现得训练有素，当市场出现异常时能够处变不惊，甚至还能从中获利。那么，要怎样才能成为交易市场上真正的玩家呢？华尔街的期货传奇人物理查·

　　梯度提升 另一个非常著名的提升算法是梯度提升。与 Adaboost 一样，梯度提升也是通过向集成中逐步增加分类器运行的，每一个分类器都修正之前的分类结果。然而，它并不像 Adaboost 那样每一次迭

　　随机贴片与随机子空间 BaggingClassifier 也支持采样特征。它被两个超参数 max_features 和 bootstrap_features 控制。他们的工作方式和 max_sampl

　　假设你去随机问很多人一个很复杂的问题，然后把它们的答案合并起来。通常情况下你会发现这个合并的答案比一个专家的答案要好。这就叫做 群体智慧 。同样的，如果你合并了一组分类器的预测（像分类或者回归），你也

　　1. 集成学习 集成学习（ensemble learning）通过组合多个基分类器（base classifier）来完成学习任务，颇有点“三个臭皮匠顶个诸葛亮”的意味。基分类器一般采用的是弱可学习（

　　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。

　　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

　　机器识别手写数字的问题早已经解决，如今机器识别的准确率已经超过99%。事实上，这种问题无法通过一条条规则去hard code式的解决，我们不得不承认机器确实学到了东西。但我们好奇的是机器到底学到了什么

　　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

　　随机梯度下降 批量梯度下降的最要问题是计算每一步的梯度时都需要使用整个训练集，这导致在规模较大的数据集上，其会变得非常的慢。与其完全相反的随机梯度下降，在每一步的梯度计算上只随机选取训练集中的一个样本