比特流技术

Why❓ 这周处于高度兴奋以及紧张的状态，晚上睡的也不好，因为头脑里想的还是自己的项目，怎么让他们更好，以及思考即将开始的新项目。 昨晚到凌晨两点都难以入眠，凌晨四点又醒了，把电脑充上电，然后睡到7点50就自然醒了，起来竟然一点也不疲倦。 现在是2020.05.28，我正坐在咖啡厅写下这篇文章，想停一停这种忙碌，重新调整一下状态，并回顾一下这出乎意料疯狂的一周。 What did I do❓这周对我而言是相当忙碌的，连续三个项目相继的出来了。 OI_Sharing：算法、数据结构的学习路线和教程 Here Hexo-Theme-Coder：一个为程序员设计的极简主题 Here AirSpider：一个轻量级高性能异步爬虫框架 Here 不知道为何这三个项目诞生的时间就这么巧，全都集中在了这一周，这也是为什么我称之为疯狂的一周的原因之一。What unexpected ❓为什么疯狂当然不止是因为忙碌，主要是因为一些未意料的事情发生了🔥OI_Sharing： 在周二的时候，登上了GitHub Trending排名11。 这个我每天都会逛逛，寻找优秀项目的全球榜单，没 ...

Coder | Hexo Theme Light 🌲 | Minimalism ✈️ ｜ Dark/Light 🌞🌛 轻便 🌲 ｜ 极简 ✈️｜ 黑白🌞🌛｜实用效率🔨 为简约、极简爱好者打造的Hexo主题 Why Coder❓ 自己从大一就在用Hexo写博客，对Hexo很喜欢，一直想着自己写一个主题 自己主要方向是NLP、深度学习，Web开发一直都是自学，能力有限，不能太复杂 不复杂不代表不好，博客的极简也是很多人追求的，所以我开发了这个主题，前前后后1个月 演示地址 : 点这里 Introduction🎙️Coder 是 一个极简的Hexo主题☁️正如名字所言，主题是关于程序员的，而程序员代表的是应该效率、简洁和实用 这也是Coder这个主题所表达的精神，也是这个主题的特点 当你厌倦了花哨之后，我相信很多人想让博客变得简约，Coder就是为你们而设计❤️ 接下来我来展示各个效果图 Coder 展示👀电脑端💻：黑色模式 白色模式 Lady模式：Dark模式 Light模式 手机端： ...

很多朋友想学习人工智能，不过不知如何入手，这篇文章就带你进入AI的世界 一、语言 希望在进入这个领域之前 至少得会一门语言 Python。 后面可以学学C 或者 C++，很多源码也是C和C++的 二、数学 以及不想做调包侠的话，学通透得有比较好的数学基础： 微积分 线性代数 概率论 如果数学基础不好可以先补一补，不然有些理解起来或许会很头疼。 三、快速入门机器学习、深度学习 推荐我的启蒙书，复旦大学邱老师的开源书《神经网络与深度学习》 虽然本身市面上有很多机器学习，深度学习的书 西瓜书，统计学习方法，花书等等 我觉得各有优劣，而且眼花撩乱，一开始入门我觉得看NNDL就不错了。 四、学习至少一个框架我个人是先学习的Pytorch，我也建议先学Pytorch，因为它很适合学习做研究。 推荐一本书开源书：《动手学深度学习 pytorch版》 在学习框架的过程中去实践，实现一些模型。 框架很多，后面可以多学学，比如TensorFlow 恭喜你 ！到此基本你已经入门了～ 五、选择方向对于人工智能的方向有很多，你要确定自己的方向。 我的方向是自然语言处理 当然还有计算机视觉、 ...

学习马尔可夫链及其性质，了解转移矩阵，并用 Python 动手实现！马尔可夫链是通常用一组随机变量定义的数学系统，可以根据具体的概率规则进行状态转移。转移的集合满足马尔可夫性质，也就是说，转移到任一特定状态的概率只取决于当前状态和所用时间，而与其之前的状态序列无关。马尔可夫链的这个独特性质就是无记忆性。 跟随本教程学会使用马尔可夫链，你就会懂得离散时间马尔可夫链是什么。你还会学习构建（离散时间）马尔可夫链模型所需的组件及其常见特性。接着学习用 Python 及其 numpy 和 random 库来实现一个简单的模型。还要学习用多种方式来表示马尔可夫链，比如状态图和转移矩阵 开始吧…… 为什么要用马尔可夫链？马尔可夫链在数学中有广泛使用。同时也在经济学，博弈论，通信原理，遗传学和金融学领域有广泛应用。通常出现在统计学，尤其是贝叶斯统计，和信息论上下文中。在现实中，马尔可夫链为研究机动车辆的巡航定速系统，抵达机场的乘客的排队序列，货币汇率等问题提供了解决思路。最早由 Google 搜索引擎提出的 PageRank 就是基于马尔可夫过程的算法。Reddit 有个叫子版块模拟器的子版块，帖子 ...

一个帮助初学者理解深度神经网络内部工作机制的指南 写作动机： 为了使我自己可以更好地理解深度学习，我决定在没有像 TensorFlow 这样的深度学习库的情况下，从零开始构建一个神经网络。我相信，理解神经网络的内部工作原理对任何有追求的数据科学家来说都很重要。 这篇文章包含了我所学到的东西，希望对你们也有用。 什么是神经网络？大多数介绍神经网络的文章在描述它们时都会与大脑做类比。在不深入研究与大脑类似之处的情况下，我发现将神经网络简单地描述为给定输入映射到期望输出的数学函数更容易理解一些。 神经网络由以下几个部分组成： 一个输入层，x 任意数量的隐含层 一个输出层，ŷ 层与层之间的一组权重和偏差，W 和 b 每个隐含层中所包含的一个可选的激活函数，σ。在本教程中，我们将使用 Sigmoid 激活函数。 下图展示了 2 层神经网络的架构（注：在计算神经网络中的层数时，输入层通常被排除在外） 2 层神经网络的架构 在 Python 中创建一个神经网络的类很简单。 1234567class NeuralNetwork: def __init__(self, x, y): ...

Jupyter Notebook详细教程 Jupyter Notebook 是一个非常强大的工具 常用于交互式地开发和展示数据科学项目 它将代码和它的输出集成到一个文档中 并且结合了可视的叙述性文本、数学方程和其他丰富的媒体 它直观的工作流促进了迭代和快速的开发 使得 notebook 在当代数据科学、分析和越来越多的科学研究中越来越受欢迎。 Jupyter Notebook是一个非常强大的工具 我将用两篇文章来介绍它 Jupyter Notebook详细教程 👀上 Jupyter Notebook详细教程 👀下

前言疫情期间，我爸妈又开始炒股了，鉴于之前做过一个AI结合的量化交易项目，但是不是负责算法部分，所以想自己尝试一下，实现一个算法引擎。 纯数据科学只能做参考，最好结合传统量化交易和舆情分析，我后面有时间会尝试三者结合，希望有更好效果。 在本教程中，你将了解到如何使用被称作长短期记忆网络（LSTM）的时间序列模型。LSTM 模型在保持长期记忆方面非常强大。阅读这篇教程时，你将： 明白预测股市走势的动机； 下载股票数据 — 你将使用由 Alpha Vantage 或 Kaggle 收集的股票数据； 将数据划分为训练集和测试集，并将其标准化； 简要讨论一下为什么 LSTM 模型可以预测未来多步的情形； 使用现有数据预测股票趋势，并将结果可视化。 注意：请不要认为 LSTM 是一种可以完美预测股票趋势的可靠模型，也不要盲目使用它进行股票交易。我只是出于对机器学习的兴趣做了这个实验。在大部分情况下，这个模型的确能发现数据中的特定规律并准确预测股票的走势。但是否将其用于实际的股票市场取决于你自己。 为什么要用时间序列模型？作为一名股民，如果你能对股票价格进行正确的建模，你就可以通过在合适的 ...

前言神经网络正在被使用去提升我们生活的方方面面，同时也在往创造力方面不断提升。 自然语言处理技术去写一本书 计算机视觉技术去创造一幅画 ……. 在这篇文章中我们将介绍如何通过LSTM，使用 Python 和 Keras 库去创作音乐。 先欣赏一下 这就是AI做出来的音乐。 其实从结果来看，在乐理上有不少的错误 和我的神经网络训练的时间和规模有关，毕竟是昨天晚上跑一晚上出来的结果 现在是见证奇迹的时刻，图中包含了一页通过 LSTM 神经网络创作的音乐乐谱。瞅一眼就能看到它的结构，这在第二页的第三行到最后一行尤为明显。 有音乐常识，能阅读乐谱的人呢可以看到在这一页里有一些奇怪的音符。这就是网络不能创作完美的旋律的结果。在我们目前的成果里将总会有一些错误的音符。如果想获得更好的结果我们得有更大的网络才行。 这个相对较浅的网络的结果仍然令人印象深刻，从示例音乐中可以听到。对于那些感兴趣的人来说，图中的乐谱代表了神经网络创作音乐迈出了一大步。 为什么想起做这个？其实总的代码量不大，大概一千行的样子。 心血来潮在昨天晚上就把这个给做出来了。 毕竟我也挺喜欢音乐的，所 ...

机器学习算法在视觉领域和自然语言处理领域已经带来了很大的改变。但是音乐呢？近几年，音乐信息检索领域一直在飞速发展。这篇文章写的是NLP的一些技术是如何移植到音乐领域的。探寻了一种使用流行的 NLP 技术 word2vec 来表示复调音乐的方法。让我们来探究一下这是如何做到的…… Word2vec词嵌入模型使我们能够通过有意义的方式表示词汇，这样机器学习模型就可以更容易地处理它们。这些词嵌入模型让我们可以用包含语义的向量来表示词汇。Word2vec 是一个流行的词向量嵌入模型，由 Mikolov 等人于 2013 年开发，它能够以一种十分有效的方式创建语义向量空间。 Word2vec 的本质是一个简单的单层神经网络，它有两种构造方式：1）使用连续词袋模型（CBOW）；或 2）使用 skip-gram 结构。这两种结构都非常高效，并且可以相对快速地进行训练。在本研究中，我们使用的是 skip-gram 模型，因为 Mikolov 等人在 2013 年的工作中提到，这个方法对于较小的数据集更加高效。Skip-gram 结构使用当前词 w_t 作为输入（输入层），并尝试预测在窗口范围内与之 ...

一个读人工智能的论文网站：Paperswithcode类别丰富，涵盖了各个人工智能的方向 跟进最新最热门的学术论文