[机器学习] FastICA 快速独立成分分析

说明： 快速独立成分分析算法，FastICA，对于目标信号进行成分分析，盲源分离上均具有不错的应用。
<bisonz> 上传 | 大小：42kb

[机器学习] GeNIe模型用户使用手册（2019版）

说明： GeNIe是构建图决策理论模型的环境开发工具，可以方便进行多种概率图模型的构建、推理和学习。
<qiyu987> 上传 | 大小：11mb

[机器学习] 林轩田机器学习作业代码

说明： 林轩田机器学习视频的的作业代码 --- Learning-from-data-作业代码
<tefuirnever> 上传 | 大小：30mb

[机器学习] pattern recognition and machine learning

说明： pattern recognition and machine learning 英文版本
<attime7> 上传 | 大小：25mb

[机器学习] 对抗过拟合：从时序交叉验证谈起

说明： 传统交叉验证方法面对时序数据表现出较明显的过拟合，而时序交叉验证方法能 够有效防止过拟合。借助时序交叉验证的机器学习选股策略能够获得更高 并且更稳定的收益。推荐投资者在选择机器学习模型超参数时，使用时序 交叉验证方法。
<joleoy> 上传 | 大小：1mb

[机器学习] 人工智能选股之stacking集成学习

说明： Stacking 是一种常见的集成学习框架，一般有两层，其能够成功的关键在 于第一层模型能针对原始数据得出有差异性（相关性低）且预测能力好的 输出值，这样通过第二层模型进一步学习后，能够在多个第一层模型中取 长补短，提升预测的准确度和稳定性。
<joleoy> 上传 | 大小：2mb

[机器学习] 人工智能选股之损失函数的改进

说明： 本文 创新性地提出了两种对数损失函数改进方案，取得了更好的回测效果 损失函数在机器学习模型的训练过程中决定了模型的优化方向，具有重要 的地位。对数损失函数是机器学习中最常用的二分类模型损失函数，它的 形式可以被分解为两项，分别代表二分类的假阳性误差和假阴性误差，普 通对数损失函数中，两类误差的权重是相等的。本文针对对数损失函数的 形式，结合机器学习在多因子选股中的应用，提出了两种改进方案，分别 解决不同目标下的机器学习选股问题。两种改进方案相比普通对数损失函 数都取得了更好的回测结果。
<joleoy> 上传 | 大小：1mb

[机器学习] 风险均衡方法及其在目标风险策略中的应用

说明： 本文尝试从风险视角出发探讨 目标风险型策略产品的构建方法， 主要包括 以下三个方面：第一，基于最分散化方法的大类资产配臵策略；第二，基 于风险均衡方法的资产内部配臵策略；第三，确定大类和资产内部配比后 的基金产品筛选与组合构建方式。
<joleoy> 上传 | 大小：2mb

[机器学习] 量化选股之事件驱动

说明： 事件研究框架，以投资逻辑为前提，量化筛选真正有效的事件机会。
<joleoy> 上传 | 大小：3mb

[机器学习] 文本分析在金融领域的应用场景

说明： 文本分析在金融领域的应用场景，从事金融数据挖掘同学可以下载。
<joleoy> 上传 | 大小：9mb

[机器学习] opencv 3.30 opencv_contrib模块

说明： opencv 3.30对应的opencv_contrib，下载之后用cmake编译使用。
<matt45m> 上传 | 大小：51mb

[深度学习] NVIDIA jetson Xavier中文指导手册

说明： NVIDIA jetson Xavier中文指导手册，自己手动翻译，花了几天时间，需要的请拿去参考，主要是针对英语不太好的开发朋友，但是还是建议对比着英文原版一起看
<huiyuanliyan> 上传 | 大小：836kb