机器学习已经强大到可以独立成为人工智能的一个子领域。 可以通过对机器编程实现比如执行网络搜索、理解人类语言、通过x光诊断疾病,或制造自动驾驶汽车。
采访嘉宾 | 九章云极 DataCanvas 创始人 & 董事长 作者 | 刘燕 2014 年,刚成立 1 年的数据智能基础软件供应商九章云极 DataCanvas 董事长方磊曾在一封发给投资人的邮件中谈到自己的创业设想。 这个设想的核心观点是,容器技术自 2012 年出现后,给分析行业带来了很大的改变,容器化的方式统一了分析流程的运行基础。而且,与容器结合后,机器学习、深度学习等不再只是在上层增光添彩的小工具,而成为了标准化的基础设施。 如今再回头去看,令方磊感到庆幸地是,创业这 9 年来,九章云极 D
商业互联网已经出现20多年,但从你收到第一份电子情书到现在,互联网的整体用户体验并没有太多变化。 互联网最初仅被用于政府,高校和企业通用的研发工具。随着超链接的出现,互联网转变为商品和服务的运营车。 现在,支持科研仅仅是互联网的一个小功能,它已经严重偏向于用户至上主义。例如,你想在网上搜索所有使用HP 950 墨盒的打印机,如果你在搜索引擎中输入‘HP 950 墨盒’,你很有可能在谷歌中找到500,000条指向打印机墨盒的链接。你确实能搜索到有关打印机的内容,但这些信息仅仅是关于那些使用950墨盒的打印机,
机器之心整理 参与:杜夏德 运筹学的历史比 AI 和机器学习更悠久,但 AI 与机器学习又为它提供了一种机会,很多顶层的东西都是要靠优化,不管是学习还是刚才讲到的决策问题,都要有 OR (运筹学)的结合。 作为优化算法的基础,运筹学在第二次世界大战期间因英美两国配置资源的需求而发展起来。近些年,随着数据量大幅度攀升等科技环境的变化,运筹学得以快速发展,并广泛应用于零售、金融、物流等行业。正如运筹学顶级专家叶荫宇所说,运筹学的历史比 AI 和机器学习更悠久,但 AI 与机器学习又为它提供了一种机会,很多顶层的
1、波动性突破实盘系统介绍 1.1 系统设计思想 波动性突破, 本身带有一定程度自适应市场的特点, 为趋势跟踪系统中的上品, 我们再加入时间清仓、 顺势下轿的元素, 在中性的盘整市道中主动退出突破交易, 或在发生第二次波动性突破的时候顺势平仓,这样就部分解决了利润回撒的问题, 至于参数, 个人倾向于没有参数的交易系统模型最好, 最具有未来市场的适应能力, 如果必须要有一两个参数, 那么以该参数在大幅度变动的测试环境下, 仍然可以盈利为佳。 1.2 波动性突破系统的文华财经源码: TR:= MAX(MAX(
机器学习是为了预测某个值而利用算法来学习数据中模式的科学。利用足够的数据,在所有输入变量与待预测值之间建立映射。在有限的输入变量的情况下,系统更容易预测一个新的值。这种方法不同于传统,传统方法是基于先前设臵的规则开发的,而机器学习模型是使用数据驱动的。
AI科技评论按:昨天,AI科技评论报道了钛媒体和杉数科技主办的 2017 AI 大师论坛,其中,杉数科技首席科学顾问叶荫宇出席了活动并发表了学术演讲。作为在运筹学领域的顶尖学者,叶荫宇以《优化算法的思想及应用》为题,主要在运筹学应用的物流选址及路径优化、库存管理、投资组合优化三个方面详细阐述了他的看法。 从古至今,“优化”一直是生产生活中重要的部分。而运筹学作为优化算法的重要根基,在第二次世界大战期间首先在英美两国发展起来,学者把运筹学描述为就组织系统进行各种经营所作出决策的科学手段。二战结束后,人们将运筹
苹果的市值前不久刚刚破了万亿美元,但是最近,iPhone上的垃圾信息却遭到了一大波国内用户的吐槽:
告诉大家一个秘密:当人们说起“ 机器学习 ”时,听起来好像只是在谈论一门学科,但其实是两门。如果企业不了解其中的差异,那么就可能招惹来满世界的麻烦。
作者 | Cassie Kozyrkov 编译 | Leo 出品 | 人工智能头条 告诉大家一个秘密:当人们说起“ 机器学习 ”时,听起来好像只是在谈论一门学科,但其实是两门。如果企业不了解其中的差异,那么就可能招惹来满世界的麻烦。 ▌两个关于机器学习的故事 在机器学习方面,企业经常犯的错误类似于:请一位厨师来制造烤箱或请一位电气工程师去烘烤面包。 假设你是一家面包店的店主,你需要聘请的是一位经验丰富的面包师,他需要精通的是制作各种美味面包和糕点的技艺,而不是制造烤箱的方法。虽然烤箱是制作面包的一
最近在Coursera 上学习斯坦福大学的机器学习。根据费曼学习法的理论,教是最好最快最有效果的学习方法。因此,我将会开一系列机器学习相关的文章,同步我的学习进度,并用我自己的理解和语言将我学到的内容写出来。
所以,这位名叫Andriy Burkov的小哥干脆说:我来给大家搞一本简短的机器学习书吧。
---------------------------------------------------------------------------------------- 题记
短期涨跌的预测相比长期更容易,但覆盖交易成本后再获利的难度更大。所以在高频交易场景,机器学习更适合有限状态下的订单执行。而对于长期的预测,机器学习的训练目标可以不是评估在给定状态下的每股总利润或买入行为的回报,而是监控在该状态下买入与在所有可能状态下买入的相对盈利能力。
机器学习是我一直很关注的领域,我觉得最有意思的一点是:它不像传统软件是把已有的知识固化,而是通过数据衍生(预测、推断)出未知的知识。这种从有限游戏到无限游戏的转变我觉得对拓展思路很有帮助。讨论中提到的Data-centric, HuggingFace(AI Github)等我也在近期略有接触,还是挺前沿的内容。
编者按:这个问题放到更大的范围,也同样适用于回答“学习数据挖掘是否需要学好数学?”。作者从实践的几个方面给出了自己的理解,小遍认为还是比较好的回答了这个问题。 正文: 不抖机灵,想从接触过机器学习学术圈但已投身工业界的角度来回答。 我认为:大部分机器学习从业者不需要过度的把时间精力放在数学上,而该用于熟悉不同算法的应用场景和掌握一些调参技巧。好的数学基础可以使你的模型简洁高效,但绝非必要的先决条件。 原因如下: 1. 即使你有了一定的数学功底,还是不知道怎么调参或者进行优化。 这话说的虽然有点自暴自弃,但扪
不抖机灵,想从接触过机器学习学术圈但已投身工业界的角度来回答。 我认为:大部分机器学习从业者不需要过度的把时间精力放在数学上,而该用于熟悉不同算法的应用场景和掌握一些调参技巧。好的数学基础可以使你的模型简洁高效,但绝非必要的先决条件。 原因如下: 1. 即使你有了一定的数学功底,还是不知道怎么调参或者进行优化。 这话说的虽然有点自暴自弃,但扪心自问在座的各位,当你发现 accuracy 不好、loss 很高、模型已经 overfitting 了,你唰唰唰列列公式玩玩矩阵就知道问题出在哪里了吗?不一定。诚
经过5次视频讲解的铺垫,终于进入正轨。这次视频讲解机器学习问题的建模表示,主要包括2个方面的内容:
伴随着资本大量进入大数据行业,出现了创业公司估值过高的现象,好像只要打上大数据的标签,一些公司的估值动辄翻番好几倍。企业信用数据服务商上海斯睿德信息技术有限公司出现在上述7家公司名单中,其不仅近期刚获得由东方海富领投的数千万元融资,且最近18个月已经成功完成了3轮融资。而另一家2015年8月刚成立的大数据公司鼎复数据也在一年多的时间内完成了2轮1.07亿元的融资。 就此现象,上海斯睿德信息技术有限公司CEO赵杰在接受第一财经采访时表示,大数据公司受资本追捧,本质上是因为,物以稀为贵。虽然国内这两年大数据
今天这篇文章不谈技术,给大家分享一些干货!首先来聊聊一个AI圈子里画风清奇的公众号 夕小瑶的卖萌屋。公号的作者中不仅妹子居多,颜值能打,而且喜欢将学术研究和大厂业务上线中的收获与读者分享。 卖萌屋的作者们就读或毕业于北大、中科院、北邮、蒙特利尔大学MILA、墨尔本大学 等国内外的顶尖CS院校&实验室,在微软、百度、腾讯等大厂核心研究/业务团队从事搜索、推荐、NLP/CV相关的研究和业务落地,顶会收割机、上线狂魔、顶级赛事冠军、SSP offer收割机、知乎大V等只是ta们的部分标签。公众号主页点击
过去一周,国际、国内的大数据相关公司都有哪些值得关注的新闻?数据行业都有哪些新观点和新鲜事?DT君为你盘点解读。
您也许不是 F1 赛车的狂热车迷,但是,很难不去欣赏这样迷人的机器。流线造型、美丽车身、疾速飞驰、全车充斥着迷人的科技,甚至巴望着自己狭窄的小车也能有一点点的相像。 如果去思考今日机器学习是什么概念,
我一生中大约73%的时间都在思考网络性能:如何在慢速手机上能播放60FPS的画面,用完美的顺序加载资源,通过离线缓存能做的一切。等等等等。
选自Medium 机器之心编译 参与:刘晓坤、黄小天 特征选择是数据获取中最关键的一步,可惜很多教程直接跳过了这一部分。本文将分享有关特征选择的 3 个杰出方法,有效提升你的机器学习水准。 「输入垃圾数据,输出垃圾结果」——每个机器学习工程师 什么是特征选择?面对试图解决的实际问题之时,什么特征将帮助你建模并不总是很清晰。伴随这一问题的还有大量数据问题,它们有时是多余的,或者不甚相关。特征选择是这样一个研究领域,它试图通过算法完成重要特征的选取。 为什么不把全部特征直接丢进机器学习模型呢? 现实世界的问题并
机器学习淘金热正在到来!Libby Kinsey 是 Nesta 资本的投资经理,关注技术创新已经有 12 年。她根据自己的观察,总结出这波淘金热的创业机会,其中包括硬件、算法、数据、行业、情感、安全等各领域分析。 Libby Kinsey:机器学习和人工智能技术正快速进入到数据驱动的业务中,变得无所不在。我选择了一些大公司还没有占领的领域。这些是没有标注主权的领土,如果我认为这是下一个杀手级应用,那么我就会准备去做! 铁镐和铁锹策略 在加利福尼亚州的淘金热中,卖铁锹的人先富起来了,而机器学习的铁镐和铁锹
机器学习淘金热正在到来!Libby Kinsey 是 Nesta 资本的投资经理,关注技术创新已经有 12 年。她根据自己的观察,总结出这波淘金热的创业机会,其中包括硬件、算法、数据、行业、情感、安全等各领域分析。 Libby Kinsey:机器学习和人工智能技术正快速进入到数据驱动的业务中,变得无所不在。我选择了一些大公司还没有占领的领域。这些是没有标注主权的领土,如果我认为这是下一个杀手级应用,那么我就会准备去做! 铁镐和铁锹策略 在加利福尼亚州的淘金热中,卖铁锹的人先富起来了,而机器学习的铁镐
机器之心报道 编辑:蛋酱、泽南 一周之内完成融资,这就是 Transformer 的力量吗? Hugging Face 的 transformer 模型在 GitHub 上现在有 6.2 万 star 量,一个星 1600 美元。 五年前,一家来自纽约的创业公司 Hugging Face 宣布,它为那些颇感无聊的青少年打造了一款 iPhone 聊天机器人应用,可以分享一些电脑生成的人脸和笑话,也可以和 Siri 玩互动。换句话说,他们想打造一个可以理解任何类型对话主题的聊天机器人。 「我们可以和人工智能谈
相信大家在开始学习机器学习的入门时,首先接触的概念就是监督学习、无监督学习以及半监督学习。在我们开始讲解之前,我们先回顾一下什么是机器学习(ML)?
苹果历来的业务不依赖于机器学习,也不喜欢拿用户数据赚钱。 当几乎其他所有的 IT 巨头都在收购机器学习的创业公司之时,甚至谷歌和 Facebook 已经聘请了许多相关当来自学术界的机器学习专家。但是,我们却并没有听到太多来自苹果的消息。 他们对于 siri 系统的更新也是始终缓慢进行的。是否有一个战略方面的理由,使他们缺乏这方面的兴趣,他们对于相关方面的研究是否早已落后于其它公司? 杰克·雷伊,谷歌 DeepMind 研究工程师在 Quora 进行回答,但他也表示,这是他个人意见,并不代表谷歌公司。
有一天,你到水果店去买橙子,当然要挑选最甜、最熟的。你是根据橙子的重量来付钱的,而不是根据橙子的甜度或者成熟度,虽然水果店有时候会把好的橙子挑出一堆单独涨价,但是这里没这么做。
以下内容均基于百度关键词推荐系统进行讨论 本文内容主要集中在使用机器学习方法判断两个短文本的相关性为基础构建商业关键词推荐系统。 为方便读者理解, 会先介绍该技术的具体应用背景及场景。 广告主在百度或google上进行广告投放时, 需要选择关键词, 以向搜索引擎表述自己想要覆盖的有商业价值的网民搜索流量。 在选择关键词后, 还需要设定具体的关键词匹配模式, 以告诉搜索引擎选择的关键词以何种方式去匹配网民的搜索。 举个例子: 网民在百度上搜索 ‘鲜花快送’, 假设商家A是卖花的, 搞鲜花速递业务的, 则
量化投资与机器学习微信公众号,是业内垂直于量化投资、对冲基金、Fintech、人工智能、大数据等领域的主流自媒体。公众号拥有来自公募、私募、券商、期货、银行、保险、高校等行业30W+关注者,荣获2021年度AMMA优秀品牌力、优秀洞察力大奖,连续2年被腾讯云+社区评选为“年度最佳作者”。 今天是3月15日,公众号为全网Quant带来一期特别策划内容——量化圈的那些割韭菜的人和事。 希望大家以后避免踩雷! 『假』 大师 这一趴真的不想给很多人蹭热度! 总结下来就是:太多了! 『假』 策略 在前
人工智能不仅有光明的前景,而且走在了商业的前沿。人工智能显然是机器人、电子商务、分析和云计算管理的一个构成因素。即使是人才挑选、定制化市场营销和许多其他业务,现在也都依赖于人工智能的解决方案。
这是「进击的Coder」的第 638 篇技术分享 编辑:蛋酱、泽南 来源:机器之心 “ 阅读本文大概需要 8 分钟。 ” 从事 AI 技术开发的同学应该知道,GitHub 上有一个 Logo 为笑脸 Emoji 的开源项目:Hugging Face。它的 transformer 模型在 GitHub 拥有 6.2 万 star 量,从当前项目估值来看,一个 Star 价值 1600 美元。 五年前,一家来自纽约的创业公司 Hugging Face 宣布,它为那些颇感无聊的青少年打造了一款 iPhone
机器学习算法可用于找到最佳值来交易您的指标 ( 点击文末“阅读原文”获取完整代码数据)。
今天聊一本机器学习方面的有趣的书,书名叫《基于机器学习数据缺失值填补》。要我说的话,数据缺失值填补本身就是个十分有趣的话题。
Marcos Lopez de Prado,想必国内的读者这几年应该熟悉一些了吧!
今天李世石已连续输掉了第二局,粗看下来,后面几盘似乎已没啥悬念了。无疑,这是一个伟大的时刻,也是个伟大的开始,超级智能机器在未来将会在人类生活中扮演更多更重要的角色。 资本市场,越来越多的量化策略与量化交易,越来越多的机器在介入,以前散户面对的是同样赤手空拳的空头,但现在我们面对的是高度智能的机器以及加杠杆的赌徒,以前跌一年,现在一周搞定,信息传播越来越快,人心预期转化也特别迅速,于我们,更需要理性,纪律与底线。 Alpha Go的优势: 无比强大的数据分析能力。对于公司的财务、行业的数据,未来的趋势,依据
俗话说:隔行如隔山。但就算同一座山,有的时候因为“山”太大,未能爬到顶峰的人往往很难一窥整座山的全貌。 这不,AI科技评论在Reddit的机器学习版块就发现了一个很热烈的讨论,题目叫做: 机器学习专业的研究僧们进来说一说,你是否遇到过你完全不能理解的机器学习概念? Those who are working professionally in ML and/or academics who have completed graduate-level coursework in ML: Are there a
原文链接:https://www.quora.com/How-is-machine-learning-used-in-finance
感谢郝强博士分享的《车源及客户智能算法介绍》(以下简称《算法介绍》)。《算法介绍》中,郝博士介绍了4个方面内容,1、成交预测;2、列表曝光排序;3、车辆推荐;4、图片优化,主要目标是用算法优化车源转化效率提升客户体验。由于信息量太大,这篇主要整理了成交预测。成交预测通俗一点说就是判断车是否好卖。
AI World 2016世界人工智能大会 ❶ 业界领袖回溯60年AI历史,全球对话人工智能未来挑战,权威发布2016世界人工智能名人堂及中国人工智能产业发展报告;❷ 国际大咖“视频”远程参会, Bengio 和李飞飞联袂寄语中国人工智能;❸ 探秘讯飞超脑及华为诺亚方舟实验室,最强CTO与7大研究院院长交锋;❹ 滴滴CTO与百度首席架构师坐镇智能驾驶论坛,新智元三大圆桌阵容史无前例;❺ 中国“大狗”与"X-Dog"震撼亮相,龙泉寺机器僧“贤二”卖萌。 【新智元导读】继前天发布800万视频数据集之后,今天,谷
作者:Lands、Allen、连长、恺哥、潇姐 2020 摆地摊,新风口! 那么,Quant摆摊后都会干啥呢? ▍卖方金工:卖研报 5元3本太俗气,我们论斤卖! 免费打包,送货上门 ▍量化网红:卖小黄书 彩色印刷,图文并茂 看得懂、学得会、用得上! 买不了吃亏,买不了上当 ▍量化大佬:烤韭菜 白天割韭菜,晚上烤韭菜 平日太辛苦,晚上补一补 ▍多因子研究员:街头要饭 看天吃饭 因子不在多,有Alpha则灵 回撤不在深,不亏就行 ▍量化实习生:卖简历 985+211 虽然策略没赚钱 3个国家读过书 4
量化,一个横跨多个学科领域的工作。已经在不同场合,听了无数次的三座大山:较好的数学功底、编程技能、金融知识。
限时60min,4个概率和数理统计题、一个编程题,实则可以看为两个编程题。如果这些题是第一次做的话,还是比较难或者难以下手的,尤其是编程题考了动态规划,难度为力扣hard级别,对标互联网大厂笔试。但是做多了,就会发现基本都是经典题型,所以笔试前要好好准备,多刷绿宝书、红宝书,多刷LeeCode!
假设我有一个问题,我想根据一些人的身高和体重来判断性别。 我有一个数据表,数据里面有三个男的三个女的,我有他们体重身高的数据。现在有一个人性别不知道,我们怎么推算他是男的还是女的? 如果用空间预测的方
AI 科技评论按:机器学习领域的学生、研究员、企业开发者都习惯了在模型的优化上花大量功夫,仿佛取得更高的准确率/AUC/mAP 等等就是机器学习研究和应用的全部。但是很少有人去问:测试表现优秀的模型就真的能很好解决真实世界的问题吗?
机器学习领域的学生、研究员、企业开发者都习惯了在模型的优化上花大量功夫,仿佛取得更高的准确率/AUC/mAP 等等就是机器学习研究和应用的全部。但是很少有人去问:测试表现优秀的模型就真的能很好解决真实世界的问题吗?
领取专属 10元无门槛券
手把手带您无忧上云