机器学习领域的五大流派
我的图书馆
机器学习领域的五大流派
机器之心编辑 编辑：赵云峰@王威廉微博：华盛顿大学教授Pedro Domingos在本周结束的ACM Webminar上介绍了他认为的机器学习五大流派。他认为，机器学习中符号主义者的代表人物是Mitchell、 Muggleton、Quilan，联结主义者代表是LeCun、Hinton和Bengio，进化主义代表是Koda、Holland以及Lipson，贝叶斯派代表人物是Heckerman，Pearl和Jordan，Analogizer代表人物是Vapnik等。机器之心对Pedro Domingos的演讲幻灯片进行了编译和总结：1知识从何而来Pedro Domingos认为，知识来源于进化、经验、文化和计算机。对于知识和计算机的关系，他引用了Facebook人工智能实验室负责人Yann LeCun的一段话：将来，世界上的大部分知识将由机器提取出来，并且将长驻与机器中。2计算机如何发现新知识Pedro Domingos帮助计算机获取新知识，可以通过以下五种方法来实现填充现存知识的空白对大脑进行仿真对进化进行模拟系统性的减少不确定性注意新旧知识之间的相似点3机器学习的五大流派派别起源擅长算法符号主义（Symbolists）逻辑学、哲学逆演绎算法（Inverse deduction）联结主义（Connectionists）神经科学反向传播算法（Backpropagation）进化主义（Evolutionaries）进化生物学基因编程（Genetic programming）贝叶斯派（Bayesians）统计学概率推理（Probabilistic inference）Analogizer心理学核机器（Kernel machines）1）符号主义符号主义代表人物符号主义算法2）联结主义联结主义代表人物神经元和人造神经元反向传播算法图示谷歌自主识别出猫的神经网络3）进化主义进化主义代表人物遗传算法遗传编程进化机器人Pedro Domingos在这里提到了基于生物进化理论的「海星机器人」，该机器人由佛蒙特大学的Josh Bongard研发，能够通过内部模拟来「感知」自己身体各部件的状况，并进行连续建模，从而在不需要外部编程的情况下自己学会走路，当机器人外部受到破坏，比如说失去了一条腿，它可以重新建模并学习到一种新的行走方式。Josh Bongard在论文《Evolved Machines Shed Light on Robustness and Resilience》中对此进行了详细介绍。4）贝叶斯派贝叶斯派代表人物概率推理基于概率统计的贝叶斯算法最常见的应用就是反垃圾邮件功能，贝叶斯分类的运作是借着使用标记与垃圾邮件、非垃圾邮件的关连，然后搭配贝叶斯推断来计算一封邮件为垃圾邮件的可能性。5）AnalogizerAnalogizer代表人物近邻算法nearest neighbor内核机基于该理论的Netflix推荐系统4展望Pedro Domingos总结了五大流派目前存在的问题和解决方案，但他也重点强调，我们真正需要的是可以一次性解决这些所有问题的统一算法。5各学派的综合表示概率逻辑（例如马尔可夫逻辑模型）带权公式，状态分布评估后验概率用户定义的目标函数最优化公式发现：基因编程权值学习：反向传播6通用学习者Pedro Domingos认为，要研究一个解决所有问题的通用算法，创造一个「通用学习者」，还需要很多工作去做。而通用学习者的出现将在以下四方面发挥巨大价值：家用机器人全球范围的智力互联网癌症治疗解决方案全方位的推荐系统
TA的最新馆藏机器学习（9）
之前一篇文章讲了线性SVM和常规LR的关系和优缺点。结果今天想研究一下Kernel logistic regression（以下简称KLR），结果发现相关的中文资料几乎没有啊，所以特来总结一下
一个模型要能用核函数形式必须满足如下两点：
w是xi的线性组合是使用Kernel的关键所在。
比如SVM，其最佳w来源于xi的线性组合 w*=∑i=1n(αiyi)xi
同时这个模型本身是线性模型也是使用Kernel的必要条件
即y=f(wTx)
只有满足了以上两点：其判别式才能写成y=f(∑i=1nαixTix)=f(∑i=1nαi&xi,x&)进而写成核函数形式：y=f(∑i=1nαiK(xi,x))
LR本身就是一个线性判别模型，所以满足了条件2，那么它是否满足条件1呢？
证明如下：
任何L2正则化的线性模型都可以用核函数
标题就是结论，下面开始证明：
只要需要优化的目标函数如下：
minLoss(w)=minw∑i=1nerror(yi,wTxi)+λwTw
即优化的目标是一个广义线性损失函数（这里指w需要和xi简单做内积），同时带有一个wTw的L2正则。
那么：最优的w*就能表示为xi的线性组合
证明如下：
假设最优解w*存在，那么把w*分成两个部分，一个平行于xi的线性组合∑ni=1αixi部分w||，另一个是垂直于其线性组合的部分w⊥。即：
w*=w||+w⊥
带入到上面的Loss(w)目标函数中得到：
对于error部分：
error(yi,(w||+w⊥)Txi)
因为w⊥部分也垂直于所有的xi所以，error部分就等同于：
error(yi,wT||xi)
对于正则化部分：
wTw=(w||+w⊥)T(w||+w⊥)=wT||w||+2*wT||w⊥+wT⊥w⊥=wT||w||+wT⊥w⊥
所以此时的Loss(w*)目标函数为：
Loss(w*)=∑i=1nerror(yi,wTxi)+λwTw
=∑i=1nerror(yi,wT||xi)+λ(wT||w||+wT⊥w⊥)
≥∑i=1nerror(yi,wT||xi)+λwT||w||
=Loss(w||)
因为已经假设了w*是最优解，即使得Loss(w)最小的解，而上面又证明了
Loss(w*)≥Loss(w||)
所以只有取得等号的时候才能满足题意，而只有当w⊥=0?& 时才能取得等号
所以证得：
所以说明其最优的w*可以由每个数据集线性表示出来，即 w*=∑i=1nαixi
Kernel logistic regression(KLR)推导
既然上面已经推导了
w*=∑i=1nαixi
那么怎么去求里面的参数αi呢？
那就直接带入到Loss(w)中就好，这样Loss(w)就变成了α的函数：
Loss(α)=minα∑i=1nerror(yi,(∑j=1nαjxj)Txi)+λ(∑i=1nαixi)T(∑i=1nαixi)
=minα∑i=1nerror(yi,∑j=1nαj&xj,xi&)+λ∑i=1n∑j=1nαiαj&xi,xj&
有了向量内积，就可以转化成为核函数：
Loss(α)=minα∑i=1nerror(yi,∑j=1nαjK(xj,xi))+λ∑i=1n∑j=1nαiαjK(xi,xj)
对于 logistic regression来说，其损失函数：
error(yi,wxi)=log(1+exp(-yiwTxi))
Loss(α)=minα∑i=1nlog(1+exp(-yi∑j=1nαjK(xj,xi)))+λ∑i=1n∑j=1nαiαjK(xi,xj)
所以需要优化的目标就出来了，用正常的优化方法就好（比如SGD），而且它没有约束。
另一个角度来看Kernel损失函数
Loss(α?&)=minα∑i=1nerror(yi,∑j=1nαjK(xj,xi))+λ∑i=1n∑j=1nαiαjK(xi,xj)
看前半部分：
error(yi,∑j=1nK(xj,xi)αj)
这部分可以看成参数向量α?&=(α1,α2,?,αn)与系数向量K?&(?,xi)=(K(x1,xi),K(x2,xi),?,K(xn,xi))两个向量的内积。
再看后半部分：
∑i=1n∑j=1nαiαjK(xi,xj)=α?&TKα?&
其中K为kernel矩阵，矩阵的第i行j列Kij=K(xi,xj)
所以这个Loss(α?&)可以化为：
Loss(α?&)=minα∑i=1nerror(yi,α?&TK?&(?,xi))+λα?&TKα?&
所以可以把α?&看成之前的w?&，所以新的可以看成关于α?&的线性模型.
可以这么看损失函数：
第一部分α?&TK?&(?,xi)看成之前的线性内积
2. 第二部分α?&TKα?&看成α?&的正则化项。
二次型α?&TKα?&
这里额外说一下二次型α?&TKα?&
常规的α?&Tα?&可以看成正常的欧式距离，而α?&TKα?&可以看成α?&关于K的距离。
因为K是一个对称矩阵，所以任何一个对称矩阵都可以化成K=PTAP
其中A矩阵是一个对角矩阵，如果K还是一个正定矩阵的话，那么P可以是一个单位正交矩阵【相当于其特征向量组成的矩阵】
所以二次型化为：
α?&TKα?&=(Pα)TA(Pα)
可以看成先将α?&做旋转，然后各个分量做伸缩之后的距离。
KLR和SVM的对比
既然加核之后，KLR和SVM都可以用于多分类，那么它们的不同点在什么地方呢？
KLR的优势：
KLR能够提供属于某一类的概率，而SVM只能判定属于某一类
2. KLR自带能够扩展到多分类问题方法，而SVM虽然也可以但是都不太理想
虽然上面说了这么多关于KLR的好处，那么为什么不见有人用呢， SVM的优势有哪些？
KLR计算复杂度实在是太高了，因为其几乎每一个αi都不为0，所以基本上要计算两两之间的xi的核函数，而SVM只有支持向量起作用，所以其自带稀疏性，只用计算少量的支持向量的αi部分就好。
KLR的计算复杂度是 O(N3)
SVM的计算复杂度是O(N2k)其中αi不为0的个数
现在才发现这门课讲的真是太好了。
&&相关文章推荐
* 以上用户言论只代表其个人观点，不代表CSDN网站的观点或立场
访问：21277次
排名：千里之外
原创：71篇
(1)(3)(9)(17)(17)(8)(15)(1)(1)(1)你正在使用的浏览器版本过低，将不能正常浏览和使用知乎。机器学习中用到的一些数学知识
“嵌入”是一种在数学上应用广泛的手段，其主要目标就是通过嵌入到一个属性良好，结构丰富的空间，从而利用其某种结构或者运算体系。在拓扑学中，嵌入到metric
space是对某个拓扑空间建立度量的重要手段。而在这里，我们是已有度量的情况下，通过嵌入获取线性运算的结构。除此以来，还有一种就是前些年比较热的manifold
embedding，这个是通过保持局部结构的嵌入，获取全局结构，后面还会提到。
6.&&&&接下来的一个重要的代数结构，就是内积(inner
product)结构。内积结构一旦建立，会直接诱导出一种性质良好的度量，就是范数(norm)，并且进而诱导出拓扑结构。一般来说，内积需要建立在线性空间的基础上，否则连一个二元运算是否是内积都无法验证。不过，kernel理论指出，对于一个空间，只要定义一个正定核(positive
kernel)——一个符合正定条件的二元运算，就必然存在一个希尔伯特空间，其内积运算等效于核运算。这个结论的重要意义在于，我们可以绕开线性空间，通过首先定义kernel的方式，诱导出一个线性空间(叫做再生核希尔伯特空间&Reproducing
Kernel Hilbert Space)，从而我们就自然获得我们所需要的度量结构和线性运算结构。这是kernel
theory的基础。
在很多教科书中，以二次核为例子，把二维空间变成三维，然后告诉大家kernel用于升维。对于这种说法，我一直认为在一定程度上是误导的。事实上，kernel的最首要意义是内积的建立（或者改造），从而诱导出更利于表达的度量和运算结构。对于一个问题而言，选择一个切合问题的kernel比起关注“升维”来得更为重要。
kernel被视为非线性化的重要手段，用于处理非高斯的数据分布。这是有道理的。通过nonlinear
kernel改造的内积空间，其结构和原空间的结构确实不是线性关联，从这个意义上说，它实施了非线性化。不过，我们还应该明白，它的最终目标还是要回到线性空间，新的内积空间仍旧是一个线性空间，它一旦建立，其后的运算都是线性的，因此，kernel的使用就是为了寻求一个新的线性空间，使得线性运算更加合理——非线性化的改造最终仍旧是要为线性运算服务。
值得一提的是，kernelization本质上说还是一种嵌入过程：对于一个空间先建立内积结构，并且以保持内积结构不变的方式嵌入到一个高维的线性空间，从而继承其线性运算体系。
7.&&&&上面说到的都是从全局的方式建立代数结构的过程，但是那必须以某种全局结构为基础（无论预先定义的是运算，度量还是内积，都必须适用于全空间。）但是，全局结构未必存在或者适合，而局部结构往往简单方便得多。这里就形成一种策略，以局部而达全局——这就是流形(manifold)的思想，而其则根源于拓扑学。
从拓扑学的角度说，流形就是一个非常优良的拓扑空间：符合Hausdorff分离公理（任何不同的两点都可以通过不相交的邻域分离），符合第二可数公理（具有可数的拓扑基），并且更重要的是，局部同胚于R^n。因此，一个正则(Regular)流形基本就具有了各种最良好的拓扑特性。而局部同胚于R^n，代表了它至少在局部上可以继承R^n的各种结构，比如线性运算和内积，从而建立分析体系。事实上，拓扑流形继承这些结构后形成的体系，正是现代流形理论研究的重点。继承了分析体系的流形，就形成了微分流形(Differential
manifold)，这是现代微分几何的核心。而微分流形各点上的切空间(Tangent
Space)，则获得了线性运算的体系。而进一步继承了局部内积结构的流形，则形成黎曼流形(Riemann
manifold)，而流形的全局度量体系——测地距离(geodesics)正是通过对局部度量的延伸来获得。进一步的，当流行本身的拓扑结构和切空间上的线性结构发生关系——也就获得一簇拓扑关联的线性空间——向量丛(Vector
虽然manifold
theory作为现代几何学的核心，是一个博大精深的领域，但是它在learning中的应用则显得非常狭窄。事实上，对于manifold，很多做learning的朋友首先反应的是ISOMAP,
eigenmap之类的算法。这些都属于embedding。当然，这确实是流形理论的一个重要方面。严格来说，这要求是从原空间到其映像的微分同胚映射，因此，嵌入后的空间在局部上具有相同的分析结构，同时也获得了各种好处——全局的线性运算和度量。不过，这个概念在learning的应用中被相当程度的放宽了——微分同胚并不能被完全保证，而整个分析结构也不能被完全保持。大家更关注的是保持局部结构中的某个方面——不过这在实际应用中的折衷方案也是可以理解的。事实表明，当原空间中的数据足够密集的情况下，这些算法工作良好。
Learning中流形应用的真正问题在于它被过滥地运用于稀疏空间(Sparse
space)，事实上在高维空间中撒进去几千乃至几十万点，即使最相邻的几点也难称为局部了，局部的范围和全局的范围其实已经没有了根本差别，连局部的概念都立不住脚的时候，后面基于其展开的一切工作也都没有太大的意义。事实上，稀疏空间有其本身的规律和法则，通过局部形成全局的流形思想从本质上是不适合于此的。虽然，流形是一种非常美的理论，但是再漂亮的理论也需要用得其所——它应该用于解决具有密集数据分布的低维空间。至于，一些paper所报告的在高维空间（比如人脸）运用流形方法获得性能提升，其实未必是因为“流形”本身所起的作用，而很可能是其它方面的因素。
最后，回头总结一下关于嵌入这个应用广泛的策略，在learning中的isometry, kernel和manifold
embedding都属于此范畴，它们分别通过保持原空间的度量结构，内积结构和局部结构来获得到目标（通常是向量空间）的嵌入，从而获得全局的坐标表达，线性运算和度量，进而能被各种线性算法和模型所应用。
近日来，抽空再读了一遍点集拓扑(Point Set
Topology)，这是我第三次重新学习这个理论了。我看电视剧和小说，极少能有兴致看第二遍，但是，对于数学，每看一次都有新的启发和收获。
代数，分析，和拓扑，被称为是现代数学的三大柱石。最初读拓扑，是在两三年前，由于学习流形理论的需要。可是，随着知识的积累，发现它是很多理论的根基。可以说，没有拓扑，就没有现代意义的分析与几何。我们在各种数学分支中接触到的最基本的概念，比如，极限，连续，距离（度量），边界，路径，在现代数学中，都源于拓扑。
拓扑学是一门非常奇妙的学科，它把最直观的现象和最抽象的概念联系在一起了。拓扑描述的是普遍使用的概念（比如开集，闭集，连续），我们对这些概念习以为常，理所当然地使用着，可是，真要定义它，则需要对它们本质的最深刻的洞察。数学家们经过长时间的努力，得到了这些概念的现代定义。这里面很多第一眼看上去，会感觉惊奇——怎么会定义成这个样子。
首先是开集。在学习初等数学时，我们都学习开区间&(a,
b)。可是，这只是在一条线上的，怎么推广到二维空间，或者更高维空间，或者别的形体上呢？最直观的想法，就是“一个不包含边界的集合”。可是，问题来了，给一个集合，何谓“边界”？在拓扑学里面，开集(Open
Set)是最根本的概念，它是定义在集合运算的基础上的。它要求开集符合这样的条件：开集的任意并集和有限交集仍为开集。
我最初的时候，对于这样的定义方式，确实百思不解。不过，读下去，看了和做了很多证明后，发现，这样的定义一个很重要的意义在于：它保证了开集中每个点都有一个邻域包含在这个集合内——所有点都和外界（补集）保持距离。这样的理解应该比使用集合运算的定义有更明晰的几何意义。但是，直观的东西不容易直接形成严谨的定义，使用集合运算则更为严格。而集合运算定义中，任意并集的封闭性是对这个几何特点的内在保证。
另外一个例子就是“连续函数”(Continuous
Function)。在学微积分时，一个耳熟能详的定义是“对任意的epsilon & 0，存在delta
0，使得。。。。”，背后最直观的意思就是“足够近的点保证映射到任意小的范围内”。可是，epsilon,
delta都依赖于实空间，不在实空间的映射又怎么办呢？拓扑的定义是“如果一个映射的值域中任何开集的原象都是开集，那么它连续。”这里就没有epsilon什么事了。“开集的原象是开集”
这里的关键在于，在拓扑学中，开集的最重要意义就是要传递“邻域”的意思——开集本身就是所含点的邻域。这样连续定义成这样就顺理成章了。稍微把说法调节一下，上面的定义就变成了“对于f(x)的任意邻域U，都有x的一个邻域V，使得V里面的点都映射到U中。”
这里面，我们可以感受到为什么开集在拓扑学中有根本性的意义。既然开集传达“邻域”的意思，那么，它最重要的作用就是要表达哪些点靠得比较近。给出一个拓扑结构，就是要指出哪些是开集，从而指出哪些点靠得比较近，这样就形成了一个聚集结构——这就是拓扑。
可是这也可以通过距离来描述，为什么要用开集呢，反而不直观了。某种意义上说，拓扑是“定性”的，距离度量是“定量”的。随着连续变形，距离会不断变化，但是靠近的点还是靠近，因此本身固有的拓扑特性不会改变。拓扑学研究的就是这种本质特性——连续变化中的不变性。
在拓扑的基本概念中，最令人费解的，莫过于“紧性”(Compactness)。它描述一个空间或者一个集合“紧不紧”。正式的定义是“如果一个集合的任意开覆盖都有有限子覆盖，那么它是紧的”。乍一看，实在有点莫名其妙。它究竟想描述一个什么东西呢？和“紧”这个形容词又怎么扯上关系呢？
一个直观一点的理解，几个集合是“紧”的，就是说，无限个点撒进去，不可能充分散开。无论邻域多么小，必然有一些邻域里面有无限个点。上面关于compactness的这个定义的玄机就在有限和无限的转换中。一个紧的集合，被无限多的小邻域覆盖着，但是，总能找到其中的有限个就能盖全。那么，后果是什么呢？无限个点撒进去，总有一个邻域包着无数个点。邻域们再怎么小都是这样——这就保证了无限序列中存在极限点。
Compact这个概念虽然有点不那么直观，可是在分析中有着无比重要的作用。因为它关系到极限的存在性——这是数学分析的基础。了解泛函分析的朋友都知道，序列是否收敛，很多时候就看它了。微积分中，一个重要的定理——有界数列必然包含收敛子列，就是根源于此。
在学习拓扑，或者其它现代数学理论之前，我们的数学一直都在有限维欧氏空间之中，那是一个完美的世界，具有一切良好的属性，Hausdorff,
Locally compact, Simply
connected，Completed，还有一套线性代数结构，还有良好定义的度量，范数，与内积。可是，随着研究的加深，终究还是要走出这个圈子。这个时候，本来理所当然的东西，变得不那么必然了。
·&&&&&&&&&&&&&&&&&&&两个点必然能分开？你要证明空间是Hausdorff的。
·&&&&&&&&&&&&&&&&&&&有界数列必然存在极限点？这只在locally
compact的空间如此。
·&&&&&&&&&&&&&&&&&&&一个连续体内任意两点必然有路径连接？这可未必。
一切看上去有悖常理，而又确实存在。从线性代数到一般的群，从有限维到无限维，从度量空间到拓扑空间，整个认识都需要重新清理。而且，这些绝非仅是数学家的概念游戏，因为我们的世界不是有限维向量能充分表达的。当我们研究一些不是向量能表达的东西的时候，度量，代数，以及分析的概念，都要重新建立，而起点就在拓扑。
已投稿到：
以上网友发言只代表其个人观点，不代表新浪网的观点或立场。史上最全机器学习资源整理 - 知乎专栏
你正在使用一个过时的浏览器。请以查看此页面。
{"debug":false,"apiRoot":"","paySDK":"/api/js","wechatConfigAPI":"/api/wechat/jssdkconfig","name":"production","instance":"column","tokens":{"X-XSRF-TOKEN":null,"X-UDID":null,"Authorization":"oauth c3cef7c66aa9e6a1e3160e20"}}
{"database":{"Post":{"":{"title":"史上最全机器学习资源整理","author":"bigquant","content":"机器学习资源浩如烟海，本文对机器学习资源做了相关整理，希望大家能够根据自己的细分研究领域，着重关注某些学习资源。可能某几个网页链接打不开，那说明需要“科学”上网。机器学习也是一门实践学科，最好的学习就是不断的实践，推荐 一站式的python+机器学习+量化投资平台，打开浏览器就可以使用投资数据和机器学习算法。\n书籍\n（《集体智慧编程》）作者Toby Segaran也是《BeautifulData : The Stories Behind Elegant Data Solutions》（《数据之美：解密优雅数据解决方案背后的故事》）的作者。这本书最大的优势就是里面没有理论推导和复杂的数学公式，是很不错的入门书。\n 作者吴军大家都很熟悉。以极为通俗的语言讲述了数学在机器学习和自然语言处理等领域的应用。\n作者李航，是国内机器学习领域的几个大家之一，曾在MSRA任高级研究员，现在华为诺亚方舟实验室。书中写了十个算法，每个算法的介绍都很干脆，直接上公式，是彻头彻尾的“干货书”。 \n介绍周志华老师的这本书非常适合作为机器学习入门的书籍，书中的例子十分形象且简单易懂。\n这是一本斯坦福统计学著名教授Trevor Hastie和Robert Tibshirani的新书，并且在2014年一月已经开课：《》\n也是一本斯坦福统计学著名教授Trevor Hastie和Robert Tibshirani的书，但是从比较高深的视角讲解机器学习。《》\n本书从贝叶斯学派的角度，讲解机器学习。相信可以从这本书中得到很多很好的见解。《》\n一本比较精简的机器学习数据，介绍了很多全面并且基础的机器学习理论。 SVM等统计学的诸多工具里都用到了核方法，可以将将低维非线性空间映射到高维的线性空间中，但同时会引入高维数据的难题。本书就是一本大杂烩。 这本书涉及的内容很广，概率图模型、GLM、Nonparametric Method，甚至最近比较火的Deep Learning也包括了。\n《Machine Learning》 作者Tom Mitchell是CMU的大师，有机器学习和半监督学习的网络课程视频。这本书是领域内翻译的较好的书籍，讲述的算法也比《统计学习方法》的范围要大很多。据评论这本书主要在于启发，讲述公式为什么成立而不是推导；不足的地方在于出版年限较早，时效性不如PRML\n（《数据挖掘：实用机器学习技术》） 作者Ian H. Witten 、Eibe Frank是weka的作者、新西兰怀卡托大学教授。这本书最大的特点是对weka的使用进行了介绍，作为入门书籍还可，但是，经典的入门书籍如《集体智慧编程》、《智能web算法》已经很经典，学习的话不宜读太多的入门书籍，建议只看一些上述两本书没讲到的算法。\n
这是一篇介绍机器学习历史的文章，介绍很全面，从感知机、神经网络、决策树、SVM、Adaboost到随机森林、Deep Learning.\n 这是瑞士人工智能实验室Jurgen Schmidhuber写的最新版本《神经网络与深度学习综述》本综述的特点是以时间排序，从1940年开始讲起，到60-80年代，80-90年代，一直讲到2000年后及最近几年的进展。涵盖了deep learning里各种tricks，引用非常全面.\n这是一份python机器学习库,如果您是一位python工程师而且想深入的学习机器学习.那么这篇文章或许能够帮助到你.\n如果你还不知道什么是机器学习，或则是刚刚学习感觉到很枯燥乏味。那么推荐一读。这篇文章已经被翻译成中文,如果有兴趣可以移步 \n我该如何选择机器学习算法，这篇文章比较直观的比较了Naive Bayes，Logistic Regression，SVM，决策树等方法的优劣，另外讨论了样本大小、Feature与Model权衡等问题。此外还有已经翻译了的版本:\n深度学习概述：从感知机到深度网络，作者对于例子的选择、理论的介绍都很到位，由浅入深。翻译版本：\n这本书是由谷歌公司和MIT共同出品的计算机科学中的数学：，Eric Lehman et al 2013 。分为5大部分：1）证明，归纳。2）结构，数论，图。3）计数，求和，生成函数。4）概率，随机行走。5）递归\nDeniz Yuret用10张漂亮的图来解释机器学习重要概念：1. Bias/Variance Tradeoff 2. Overfitting 3. Bayesian / Occam’s razor 4. Feature combination 5. Irrelevant feature 6. Basis function 7. Discriminative / Generative 8. Loss function 9. Least squares 10. Sparsity.\n机器学习最佳入门学习资料汇总是专为机器学习初学者推荐的优质学习资源，帮助初学者快速入门。而且这篇文章的介绍已经被翻译成中文版。如果你不怎么熟悉，那么我建议你先看一看中文的介绍\n神经网络的免费在线书， 还有对应的开源代码：
\n《Machine Learning Theory: An Introductory Primer》机器学习最基本的入门文章，适合零基础者\n作者Richard O. Duda[5]、Peter E. Hart、David。模式识别的奠基之作。\n作者Christopher M. Bishop[6]；简称PRML，侧重于概率模型，是贝叶斯方法的扛鼎之作，据评“具有强烈的工程气息，可以配合stanford 大学 Andrew Ng 教授的 Machine Learning 视频教程一起来学，效果翻倍。”\n作者RobertTibshirani、Trevor Hastie、Jerome Friedman。“这本书的作者是Boosting方法最活跃的几个研究人员，发明的Gradient Boosting提出了理解Boosting方法的新角度，极大扩展了Boosting方法的应用范围。\nPeter Norvig，无争议的领域经典。\n自然语言处理领域公认经典。\n7800次引用，在学术界具有极高价值，稍微有点难，书中某些细节介绍地很简单。\n 语言概率规划的电子书。\ncourse\n介绍无监督功能学习和深度学习的主要思想。本课程理论与实践相结合，着重介绍实践中遇到的问题以及如何解决。\n\n视频由加州理工学院（Caltech）出品。需要英语底子。\n\n) 很全的机器学习课程，老师逻辑很清晰。\n\n 哥伦比亚大学的机器学习课程，理论与实际结合相信可以得到很多的体会。\n\n Andrew Ng的机器学习课程，应该是很多人入门机器学习时候看的视频吧。\n\n coursera上机器学习的精品课程，课程讲了回归问题，分类问题，以及聚类相关问题。只要顺利完成课程相信可以得到进步。\n\n牛津大学机器学习讲义，并且将知识拓展到深度学习，讲义上都有老师的标注等，让读者更好的理解。但是上面代码示例都是用的torch，所以要有Lua基础才行。\n\n) 加州理工学院Yaser S. Abu-Mostafa教授的机器学习课程, 课程有视频，对应的讲义，课后习题以及课后习题对应的答案。\n\n网站中的机器学习目录：这是个很容易令人眼花缭乱的资源库。你可以找出比较感兴趣的资源，并且深入学习。不要纠结于不适合你的视频，或者对于感兴趣的内容你可以做笔记。我自己会一直重复深入学习一些问题，同时发现新的话题进行学习。此外，在这个网站上你可以发现是这个领域的大师是什么样的。上面都是机器学习方面造诣很高的大师级人物的课程，相信在课程中边学边做，一定可以提高我们对于机器学习的认识。\n\n台湾大学林轩田老师讲解的机器学习，比较好的一点用的是中文。但讲的比较难。\n\n台湾大学林轩田老师讲解的机器学习进阶视屏，也是中文课程。\n\npython库 python + 机器学习 + 量化投资 一站式学习实践交易平台，打开浏览器就可以使用投资数据和机器学习算法。MLlib in Apache Spark：Spark下的分布式机器学习库。scikit-learn：基于SciPy的机器学习模块。\ngraphlab-create：包含多种机器学习模块的库（回归、聚类、推荐系统、图分析等），基于可以磁盘存储的DataFrame。\nBigML：连接外部服务器的库。\npattern：Python的web挖掘模块。\nNuPIC：Numenta公司的智能计算平台。\nPylearn2：基于Theano的机器学习库。\nhebel：Python编写的使用GPU加速的深度学习库。\ngensim：主题建模工具。\nPyBrain：另一个机器学习库。\nCrab：可扩展的、快速推荐引擎。\npython-recsys：Python实现的推荐系统。\nthinking bayes：关于贝叶斯分析的书籍。\nRestricted Boltzmann Machines：Python实现的受限波尔兹曼机。\nBolt：在线学习工具箱。\nCoverTree：cover tree的Python实现，scipy.spatial.kdtree便捷的替代。\nnilearn：Python实现的神经影像学机器学习库。\nShogun：机器学习工具箱。\nPyevolve：遗传算法框架。\nCaffe：考虑了代码清洁、可读性及速度的深度学习框架。\nbreze：深度及递归神经网络的程序库，基于Theano。\nTensorFlow：该系统旨在促进对机器学习的研究，同时也让机器学习研究原型过渡到生产系统更加高效容易。\nChainer：一个基于 Python 并且独立的深度学习模型开源框架。\n数据分析:使用机器学习直接开发量化策略的云端平台。SciPy：基于Python的数学、科学、工程开源软件生态系统。\nNumPy：Python科学计算基础包。\nNumba：Python的低级虚拟机JIT编译器，Cython and NumPy的开发者编写，供科学计算使用。\nNetworkX：为复杂网络使用的高效软件。\nPandas：这个库提供了高性能、易用的数据结构及数据分析工具。\n：Python中的商业智能工具（Pandas web接口）。\n：MCMC采样工具包。\nzipline：Python的算法交易库。\nPyDy：全名Python Dynamics，协助基于NumPy、SciPy、IPython以及 matplotlib的动态建模工作流。\nSymPy：符号数学Python库。\nstatsmodels：Python的统计建模及计量经济学库。\nastropy：Python天文学程序库，社区协作编写。\nmatplotlib：Python的2D绘图库。\nbokeh：Python的交互式Web绘图库。\nplotly：Python and matplotlib的协作web绘图库。\nvincent：将Python数据结构转换为Vega可视化语法。\nd3py：Python的绘图库，基于D3.js。\nggplot：和R语言里的ggplot2提供同样的API。\nKartograph.py：Python中渲染SVG图的库，效果漂亮。\npygal：Python下的SVG图表生成器。\npycascading：\npaper & survey\nDomingos, 2012 介绍了机器学习中12个重要问题和研究人员在机器学习中可能遇到的一些陷进。\nWu, 2008
本文介绍了IEEE识别的十大数据挖掘算法。2006年12月国际数据挖掘会议（ICDM）：C4.5，k-Means，SVM，Apriori，EM，PageRank，AdaBoost，kNN，朴素贝叶斯和CART。 这十大算法是研究界最有影响力的数据挖掘算法之一。\nZhu, 2007
这篇文献主要介绍了半监督学习的相关理论和运用。\nGeng, 2006
这篇文献主要介绍在数据挖掘过程中的一些常用的有趣的数据处理方法，非常实用。\nSchapire, 2003
这篇文献主要介绍了AdaBoost算法理论知识和运用。\nDasgupta, 2011
这篇文章介绍了主动学习，有一定的难度。\nKotsiantis, 2007
这篇文章详细介绍了监督式机器学习在分类技术中的运用。\nJain, 2010
这篇文章简要概述了聚类，总结了众所周知的聚类方法，并聚类算法和关键问题、面临挑战、聚类研究方向进行了详细地讨论，可以看做是聚类算法的文献综述。\nBengio, 2012
是介绍表征学习的一篇好文。\nGuyon, 2003
这篇文章介绍了关于变量选择和特征选择的相关研究，已经涉及到特征工程的内容。\nFodor, 2002
这篇文章写道数十年来数据收集和存储能力的进步导致大多数科学领域的信息超载。 研究人员在域名工作如工程，天文学，生物学，遥感，经济学等消费者交易，能够收集到越来越多的观测，传统的数据分析方法面临不少挑战，因此引出了数据降维技术的讨论。\nMoreira, 2012
本文讨论了不同研究领域的综合回归方法。\nSOtterlo, 2005
增强学习的一篇经典论文。\nKaelbling, 1996 本文从计算机科学角度对增强学习进行了研究，是一篇有一定历史的文章。它是为熟悉机器学习的研究人员提供的，有一定难度，但是确实经典。 \nEsling, 2012 这篇文章深入介绍了针对时间序列数据 进行数据挖掘的相关技术。\nPan, 2010
许多机器学习和数据挖掘算法的一个主要假设是训练集和测试集数据必须在相同的特征空间并具有相同的分布。然而，在许多现实世界的应用中，这种假设可能不成立。因此这正是迁移学习适用的情形，本文详细介绍了迁移学习的理论和具体运用。\nLiu, 2009
介绍了个人推荐系统的最新研究成果。\nJimenez, 2009 本文回归了强化学习并重点回顾了在自动规划具体问题中使用到的机器学习方法。\nFreitas, 2003
本章特别讨论了进化算法在数据挖掘和知识发现中(重点是分类任务)的使用，尤其是介绍了遗传算法和遗传规划。\nGoethals, 2003 这是一本介绍关联规则、分类算法的数据挖掘书籍，适合数据挖掘的人员阅读，这个书尤其介绍了以亚马逊”啤酒与尿布”的例子，并指出数据挖掘在商品销售、产品推荐中的重大价值。\n数学知识\nBoyd的经典书籍，被引用次数超过14000次，面向实际应用，并且有配套代码，是一本不可多得的好书。 Roger Horn。矩阵分析领域无争议的经典
机器学习这个方向，统计学也一样非常重要。推荐All of statistics，这是CMU的一本很简洁的教科书，注重概念，简化计算，简化与Machine Learning无关的概念和统计内容，可以说是很好的快速入门材料。\n 最优化方法，非线性规划的参考书，这里的链接给出的是一本中文翻译版本，学习起来不是那么吃力。\n《第二版，Nocedal著，非常适合非数值专业的学生和工程师参考，算法流程清晰详细，原理清楚。\n《Introduction to Mathematical Statistics》
第六版，Hogg著，本书介绍了概率统计的基本概念以及各种分布，以及ML，Bayesian方法等内容。\n (3rd Ed.) 作者Gilbert Strang. 这本书是MIT的线性代数课使用的教材，也是被很多其它大学选用的经典教材。它的难度适中，讲解清晰，重要的是对许多核心的概念讨论得比较透彻。博客 & 网站社区\n爱可可爱生活 新浪博客听说博主是北邮的一位教授，博客主要发布机器学习、深度学习的最新研究、论文。博主经常凌晨2、3点还在分享干货，目前共3.5万博文，可见作者付出很多心血。勤劳的博主每日还要整理24小时热门分享和每周精华，小伙伴再也不用担心错过好文。\n算法组 新浪微博博主来自微软搜索引擎部门。该微博主要分享数据挖掘、大数据、算法、IT相关资讯。\nAndrewNg吴恩达
新浪微博全球机器学习三大牛人之一 \n李航博士 新浪微博《统计学习方法》作者，现为诺亚方舟实验室主任\n南大周志华 新浪微博国内机器学习方面的大牛，粉丝不多，博文也不经常发。\n吴军博士 新浪微博《浪潮之巅》、《数学之美》的作者，博主现在的博文偏更多介绍作者新书动态。\n刘知远THU 新浪微博作者曾经翻译的《机器学习那些事》值得翻来覆去的研读，每一次阅读收获可能都不一样\n北京大学人工智能实验室 新浪微博该实验室官方微博，有14万粉丝\n李沐M 新浪微博为百度职员，导师为现在机器学习界大牛，今年一篇《博士这五年：流水账、总结感悟》让人感叹原来研究生可以念得这么充实\n机器学习、深度学习研究日常博客，有不少随笔和研究教程，适合一遍学习一遍copy代码实现，作者介绍了不少相关库，比如Caffe\n【“机器学习”是什么？】John Platt是微软研究院杰出科学家，17年来他一直在机器学习领域耕耘。近年来机器学习变得炙手可热，Platt和同事们遂决定开设博客，向公众介绍机器学习的研究进展。机器学习是什么，被应用在哪里？来看Platt的这篇博文\n介绍:本教程将阐述无监督特征学习和深度学习的主要观点。通过学习，你也将实现多个功能学习/深度学习算法，能看到它们为你工作，并学习如何应用/适应这些想法到新问题上。\n这是一篇介绍图像卷积运算的文章，讲的已经算比较详细的了\n 一个超级完整的机器学习开源库总结
\n通过图形可视化地介绍机器学习的理论很具体运用，适合入门。\n
一个关于数学和编程知识的主页\n 该主页拥有大量神经网络、深度学习的干货贴，很多都附带python代码，可以拿来直接运行。\n 作者文章不多，但都是干货，文章都是作者实际研究的成果整理，涉及python性能提升、GPU训练神经网络、scikit机器学习、Spark分布式编程框架\n 一个关于统计建模，因果推理和社会科学的博客，博文偏方法论\n 一个数据科学、统计学的博客，博客内容比较务实，经常更新\n 作者是Evan统计工具的创造者，主页是作者的一些博文和evan文档介绍\n
数据竞赛、数据科学的一个主页\n
作者是哈佛天文学专业博士后。也对科学研究的基础设施感兴趣，专注于优雅，有根据的数据分析，可视化和通信工具。\n 博文按年度分类，主要是机器学习、python学习。机器学习包含了文本分析、神经网络、线性判别分析、主成分分析等。\n
作者是神经网络、深度学习的行家，对广义神经网络、循环神经网络、卷积神经网络进行了可视化的讲解，特别直观易懂\n
关于行为学预测的一个主页，里面有不少社会行为学领域预测的例子\n\n作者是Mlxtend（机器学习扩展的开发人员，一个用于日常数据科学任务的有用工具的Python库\n 博主在搜索引擎有一定的研究，博文也是相关方面的\n 博主是贝叶斯统计学派支持者，从事领域为心理学，其博文也是围绕贝叶斯统计展开，\n
主页有贝叶斯数据分析的系列视频，简单直观易理解，适合研究贝叶斯的初学者\n 从名字可以看出，这是一个关于贝叶斯统计的学习专栏，比较全面。\n Kaggle数据竞赛的官方博客，介绍数据竞赛的新闻和资讯\n 作者是一个软件工程师，崇尚计算机技术来解决问题。目前在人行道实验室，以前在Hammerlab和Google。主页有多个开发项目。\n 这是一个资源比较丰富的机器学习专栏，文章覆盖多个领域。\n 作者花了很多来维护主页，主要是关于数据可视化和机器学习的案例，这些案例比较有趣和实用，比如《如何通过眼球运动进行活跃分类图像分类》、《在有限的预算下计算最佳公路旅行》等\n
数据学院，里面有很多机器学习、数据分析的视频。\n 这是一个数据分析的博客，博文例子也是比较有趣，比如《在社交媒体帖子的回应中是否有季节性？》《药物使用与抑郁之间的联系》、《大多数恐怖主义是本地的吗？》\n 主页内容比较杂，包括计算机知识、算法理论、数据科学\n 关于TensorFlow运用的一个博客，博文都是干货，比如《什么是GPU？》、《如何用TensorFlow量化神经网络？》、《在微控制器上运行TensorFlow》\n 数据分析和机器学习的一个博客，每年作者发布的微博不是很多，但都是个人研究所得。\n欢迎补充。\n文中提供的网页链接，均来自于网络，如有问题，请站内告知。原创出品，转载请先获得作者BigQuant同意！","updated":"T13:52:42.000Z","canComment":false,"commentPermission":"anyone","commentCount":18,"collapsedCount":1,"likeCount":453,"state":"published","isLiked":false,"slug":"","isTitleImageFullScreen":false,"rating":"none","titleImage":"/v2-aa7b2dbc3e3c306d3cc7c413_r.jpg","links":{"comments":"/api/posts//comments"},"reviewers":[],"topics":[{"url":"/topic/","id":"","name":"机器学习"},{"url":"/topic/","id":"","name":"深度学习（Deep Learning）"},{"url":"/topic/","id":"","name":"人工智能"}],"adminClosedComment":false,"titleImageSize":{"width":1024,"height":724},"href":"/api/posts/","excerptTitle":"","column":{"slug":"bigquant","name":"人工智能邂逅量化投资"},"tipjarState":"inactivated","annotationAction":[],"sourceUrl":"","pageCommentsCount":18,"snapshotUrl":"","publishedTime":"T21:52:42+08:00","url":"/p/","lastestLikers":[{"profileUrl":"/people/zhen-zhen-27-37","bio":"大学生","hash":"4efd5104958efd809f63a90dc8d85be4","uid":714300,"isOrg":false,"description":"","isOrgWhiteList":false,"slug":"zhen-zhen-27-37","avatar":{"id":"cec56c7f62ccfcf12bed727","template":"/{id}_{size}.jpg"},"name":"甄甄"},{"profileUrl":"/people/si-xian-six","bio":"终有一天数据比你更懂你","hash":"2b1e804dff2b46b33f58b34958b85bab","uid":64,"isOrg":false,"description":"","isOrgWhiteList":false,"slug":"si-xian-six","avatar":{"id":"v2-69f7ddc1be567aaa9445","template":"/{id}_{size}.jpg"},"name":"司念"},{"profileUrl":"/people/brianli-wang-ding","bio":"","hash":"037214aad2bfc522976ffb40","uid":393200,"isOrg":false,"description":"","isOrgWhiteList":false,"slug":"brianli-wang-ding","avatar":{"id":"v2-bdc46deae9fc5d7f08faa","template":"/{id}_{size}.jpg"},"name":"Brian李旺丁"},{"profileUrl":"/people/mayoi-hachi","bio":"学生","hash":"5d90fbccba912","uid":690500,"isOrg":false,"description":"^_^","isOrgWhiteList":false,"slug":"mayoi-hachi","avatar":{"id":"dc6fdea21eede","template":"/{id}_{size}.jpg"},"name":"Mayoi hachi"},{"profileUrl":"/people/zhu-ming-rui-52","bio":"看什么看，那是卧蚕不是黑眼圈","hash":"bfb8baa7b6b006","uid":60,"isOrg":false,"description":"走上博士路的妹子。\n对了，我笑点低所以请不要让我给你讲笑话","isOrgWhiteList":false,"slug":"zhu-ming-rui-52","avatar":{"id":"6f506fa0b499e107007b","template":"/{id}_{size}.jpg"},"name":"Sylvia"}],"summary":"机器学习资源浩如烟海，本文对机器学习资源做了相关整理，希望大家能够根据自己的细分研究领域，着重关注某些学习资源。可能某几个网页链接打不开，那说明需要“科学”上网。机器学习也是一门实践学科，最好的学习就是不断的实践，推荐 一站式的py…","reviewingCommentsCount":0,"meta":{"previous":{"isTitleImageFullScreen":false,"rating":"none","titleImage":"/v2-4eaec398ec5_r.jpg","links":{"comments":"/api/posts//comments"},"topics":[{"url":"/topic/","id":"","name":"量化交易"},{"url":"/topic/","id":"","name":"宽客 (Quant)"},{"url":"/topic/","id":"","name":"定量研究"}],"adminClosedComment":false,"href":"/api/posts/","excerptTitle":"","author":{"profileUrl":"/people/bigquant","bio":"人工智能助力宽客玩转量化投资，使用AI开发量化策略","hash":"8fdc67b61ebffe84b37a","uid":843500,"isOrg":false,"description":"官网：/\nBigQuant的目标是成为每一个宽客的人工智能量化投资平台和社区。在这里，量化投资者可以无门槛使用最领先的人工智能技术开发量化策略。\nBigQuant的使命是：We are democratizing AI technology to empower investors
","isOrgWhiteList":false,"slug":"bigquant","avatar":{"id":"v2-a0d334b33ad2d3edc2321bfe803df76c","template":"/{id}_{size}.jpg"},"name":"BigQuant"},"column":{"slug":"bigquant","name":"人工智能邂逅量化投资"},"content":"有些国外的平台、社区、博客如果连接无法打开，那说明可能需要“科学”上网量化交易平台国内在线量化平台： - 可以无门槛地使用机器学习、人工智能开发量化策略，基于python，提供策略自动生成器 - 基于量化回测平台 - 回测量化平台 - 算法交易和量化回测平台 - 量化回测平台 - 通联量化实验室 - 量化交易平台 - 基于R语言量化回测平台 - 数库多因子量化平台 - 量化交易平台 - 回测量化平台国外量化平台： 研究、回测、算法众包平台 研究、回测和投资交易 研究、回测和投资交易、数据科学网站 研究、交易平台 自动交易平台 研究、策略平台 策略研究平台 可以股票、外汇模拟交易的财经网站 提供系统交易工具的一家公司 股票、ETF、期货自动交易系统 数据工程师众包的一家对冲基金 财富管理平台 个人投资平台 量化交易平台 基于JavaScript开源交易开发框架相关平台： - 支持C/C++、C#、MATLAB、Python和R的量化交易平台 - 提供基于matlab量化工具 - 策略交易平台 - 基于C#的开源量化回测平台基于图表的量化交易平台文华赢智 、TB、金字塔、MultiCharts 中国版 - 程序化交易软件、MT4、TradeStationAuto-Trader - 基于MATLAB的量化交易平台BotVS - 云端在线量化平台开源框架 - 数据分析包 - 一个Python的回测框架 - 基于python的开源交易平台开发框架 - 财经数据接口包 - 进行自动的程序化股票交易 - 一个Python的事件驱动回测框架 - Pyalgotrade-cn在原版pyalgotrade的基础上加入了A股历史行情回测，并整合了tushare提供实时行情。 - 基于winpython的集成式python开发平台 - 量化金融建模 - 基于Python的回测引擎 - 基于python的量化回测框架 - 基于pyctp接口，并采用vnpy的eventEngine，使用tkinter作为GUI的python交易平台 - Lean Algorithmic Trading Engine by QuantConnect (C#, Python, F#, VB, Java) - 量化金融策略框架其他量化交易平台：Progress Apama、龙软DTS、国泰安量化投资平台、飞创STP、易盛程序化交易、盛立SPT平台、天软量化回测平台 、量邦天语、EQB-Quant数据源 - 收费 - 收费 - 收费 - 收费 - 收费 - 收费 - 收费 - 收费 - 收费 - 收费 - 收费 - 收费 - 免费 - 免费新浪、雅虎、东方财富网 - 免费聚合数据、数粮 、数据宝 - 收费数据库 - 基于mongodb和python的高性能时间序列和tick数据存储 - 收费的高性能金融序列数据库解决方案 - 用mongodb存储时间序列数据 - Go写的分布式时间序列数据库. - 基于HBase的时间序列数据库 - 基于Cassandra的时间序列数据库网站、论坛、社区、博客国外：国内： - 用Javascript or Python进行量化交易交易API - 期货交易所提供的API - 飞马 - 飞创 - 基于python的开源交易平台开发框架 - 统一行情交易接口第2版 - 提供券商华泰/佣金宝/银河/广发/雪球的基金、股票自动程序化交易，量化交易组件 - 盈透证券的交易API编程Python安装 - 推荐通过下载安装 download - Windows用户从这里可以下载许多python库的预编译包教程- Python 算法思维训练库 - Python做数据分析的基础 - 绩效评估 - 技术指标 - 常用统计模型 - 时间序列 - 组合风险评估 - Apache Spark上的时间序列库R安装 - 从国内清华镜像下载安装 - R的常用开发平台下载教程 - datacamp的在线学习 - 用R进行计算金融分析库 - CRAN官方的R金融相关包整理 - R包的awesomeC++教程 - 北京大学 郭炜- 清华大学 乔林 - 清华大学 徐明星- C++设计模式 - 在线文档库 - C++库整理 - 现代C++库整理Julia教程 - 官方整理 - 经济学诺奖获得者Thomas Sargent教你在量化经济的应用。库 - 多数为正在实现中，感兴趣的可以参与编程论坛 编程能力在线训练 - 包含常用语言(C++, Java, Python, Ruby, SQL)和相关计算机应用技术(算法、数据结构、数学、AI、Linux Shell、分布式系统、正则表达式、安全)的教程和挑战。 - C, C++, Java, Python, C#, JavaScript, Ruby, Bash, MySQL在线编程训练Quant Books《投资学》第6版[美]兹维·博迪.文字版 ()《打开量化投资的黑箱》 里什·纳兰《宽客》[美] （） 著；， 译《解读量化投资：西蒙斯用公式打败市场的故事》 忻海 《Trends in Quantitative Finance》 Frank J. Fabozzi, Sergio M. Focardi, Petter N. Kolm《漫步华尔街》麦基尔《海龟交易法则》柯蒂斯·费思《交易策略评估与最佳化》罗伯特·帕多《统计套利》 安德鲁·波尔《信号与噪声》纳特o西尔弗《期货截拳道》朱淋靖《量化投资—策略与技术》 丁鹏《量化投资—以matlab为工具》 李洋faruto《量化投资策略:如何实现超额收益Alpha》 吴冲锋《中低频量化交易策略研发（上）》 杨博理《走出幻觉走向成熟》 金融帝国《失控》凯文·凯利 《通往财务自由之路》范K撒普《以交易为生》 埃尔德《超越技术分析》图莎尔·钱德《高级技术分析》布鲁斯·巴布科克《积极型投资组合管理》格里纳德，卡恩《金融计量学:从初级到高级建模技术》 斯维特洛扎《投资革命》Bernstein《富可敌国》Sebastian Mallaby《量化交易——如何建立自己的算法交易事业》欧内斯特·陈《》 本杰明·格雷厄姆《黑天鹅·如何应对不可知的未来》 纳西姆·塔勒布《期权、期货和其他衍生品》 《Building Reliable Trading Systems: Tradable Strategies That Perform As They Backtest and Meet Your Risk-Reward Goals》 Keith Fitschen《Quantitative Equity Investing》by Frank J. Fabozzi, Sergio M. Focardi, Petter N. KolmBarra USE3 handbook《Quantitative Equity Portfolio Management》 Ludwig Chincarini《Quantitative Equity Portfolio Management》 Qian & Hua & SorensenQuant PapersMachine Learning RelatedCavalcante, Rodolfo C., et al. \"Computational Intelligence and Financial Markets: A Survey and Future Directions.\" Expert Systems with Applications 55 (2016): 194-211.Low Frequency PredictionAtsalakis G S, Valavanis K P. Surveying stock market forecasting techniques Part II: Soft computing methods. Expert Systems with Applications, ):. Cai X, Lin X. Feature Extraction Using Restricted Boltzmann Machine for Stock Price Predic- tion. 2012 IEEE International Conference on Computer Science and Automation Engineering (CSAE), .Nair B B, Dharini N M, Mohandas V P. A stock market trend prediction system using a hybrid decision tree-neuro-fuzzy system. Proceedings - 2nd International Conference on Advances in Recent Technologies in Communication and Computing, ARTCom . 381–385. Lu C J, Lee T S, Chiu C C. Financial time series forecasting using independent component analysis and support vector regression. Decision Support Systems, ):115–125. Creamer G, Freund Y. Automated trading with boosting and expert weighting. Quantitative Finance, ):401–420. Batres-Estrada, Bilberto. \"Deep learning for multivariate financial time series.\" (2015). Xiong, Ruoxuan, Eric P. Nicholas, and Yuan Shen. \"Deep Learning Stock Volatilities with Google Domestic Trends.\" arXiv preprint arXiv: (2015).Sharang, Abhijit, and Chetan Rao. \"Using machine learning for medium frequency derivative portfolio trading.\" arXiv preprint arXiv: (2015).Reinforcement LearningDempster, Michael AH, and Vasco Leemans. \"An automated FX trading system using adaptive reinforcement learning.\" Expert Systems with Applications 30.3 (2006): 543-552. Tan, Zhiyong, Chai Quek, and Philip YK Cheng. \"Stock trading with cycles: A financial application of ANFIS and reinforcement learning.\" Expert Systems with Applications 38.5 (2011): . Rutkauskas, Aleksandras Vytautas, and Tomas Ramanauskas. \"Building an artificial stock market populated by reinforcement‐learning agents.\" Journal of Business Economics and Management 10.4 (2009): 329-341.Deng, Yue, et al. \"Deep Direct Reinforcement Learning for Financial Signal Representation and Trading.\" (2016).Natual Language Processing RelatedBollen J, Mao H, Zeng X. Twitter mood predicts the stock market. Journal of Computational Science, ):1–8. Preis T, Moat H S, Stanley H E, et al. Quantifying trading behavior in financial markets using Google Trends. Scientific reports, 4. Moat H S, Curme C, Avakian A, et al. Quantifying Wikipedia Usage Patterns Before Stock Market Moves. Scientific Reports, –5. Ding, Xiao, et al. \"Deep learning for event-driven stock prediction.\" Proceedings of the 24th International Joint Conference on Artificial Intelligence (ICJAI’15). 2015. Fehrer, R., & Feuerriegel, S. (2015). Improving Decision Analytics with Deep Learning: The Case of Financial Disclosures. arXiv preprint arXiv:. High Frequency TradingNevmyvaka Y, Feng Y, Kearns M. Reinforcement learning for optimized trade execution. Proceedings of the 23rd international conference on Machine learning ICML 06, ):673–680. Ganchev K, Nevmyvaka Y, Kearns M, et al. Censored exploration and the dark pool problem. Communications of the ACM, ):99. Kearns M, Nevmyvaka Y. Machine learning for market microstructure and high frequency trading. High frequency trading - New realities for traders, markets and regulators, . Sirignano, Justin A. \"Deep Learning for Limit Order Books.\" arXiv preprint arXiv: (2016). Deng, Yue, et al. \"Sparse coding-inspired optimal trading system for HFT industry.\" IEEE Transactions on Industrial Informatics 11.2 (2015): 467-475.Ahuja, Saran, et al. \"Limit order trading with a mean reverting reference price.\" arXiv preprint arXiv: (2016). A?t-Sahalia, Yacine, and Jean Jacod. \"Analyzing the spectrum of asset returns: Jump and volatility components in high frequency data.\" Journal of Economic Literature 50.4 (2012): . Portfolio ManagementB. Li and S. C. H. Hoi, “Online portfolio selection,” ACM Comput. Surv., vol. 46, no. 3, pp. 1–36, 2014. Heaton, J. B., Polson, N. G., & Witte, J. H. (2016). Deep Portfolio Theory. Eugene F. Fama, Kenneth R. French. The cross-section of expected stock returns. Journal of Finance, 47 (1992), pp. 427–465.学术期刊一堆学术期刊可以常常去浏览一下，也会有许多思路，作者常常看的有：Journal of FinanceJournal of Financial EconomicsReview of Financial StudiesJournal of Accounting and EconomicsReview of Accounting StudiesJournal of Accounting ResearchAccounting ReviewJournal of Financial and Quantitative AnalysisFinancial Analysts JournalFinancial ManagementJournal of Empirical FinanceQuantitative FinanceJournal of Alternative InvestmentsJournal of Fixed IncomeJournal of InvestingJournal of Portfolio ManagementJournal of TradingReview of Asset Pricing Studies经济研究经济学（季刊）金融研究管理世界会计研究投资研究本文得到作者守株待兔同意，并获得独家发布权，感谢他的精心整理，","state":"published","sourceUrl":"","pageCommentsCount":0,"canComment":false,"snapshotUrl":"","slug":,"publishedTime":"T16:31:47+08:00","url":"/p/","title":"史上最全Quant资源整理","summary":"有些国外的平台、社区、博客如果连接无法打开，那说明可能需要“科学”上网 量化交易平台国内在线量化平台： - 可以无门槛地使用机器学习、人工智能开发量化策略，基于python，提供策略自动生成器
- 基于量化回测平台","reviewingCommentsCount":0,"meta":{"previous":null,"next":null},"commentPermission":"anyone","commentsCount":0,"likesCount":0},"next":{"isTitleImageFullScreen":false,"rating":"none","titleImage":"/v2-0c2f877b73f9e59d87e9_r.jpg","links":{"comments":"/api/posts//comments"},"topics":[{"url":"/topic/","id":"","name":"宽客 (Quant)"},{"url":"/topic/","id":"","name":"量化交易"},{"url":"/topic/","id":"","name":"算法交易"}],"adminClosedComment":false,"href":"/api/posts/","excerptTitle":"","author":{"profileUrl":"/people/bigquant","bio":"人工智能助力宽客玩转量化投资，使用AI开发量化策略","hash":"8fdc67b61ebffe84b37a","uid":843500,"isOrg":false,"description":"官网：/\nBigQuant的目标是成为每一个宽客的人工智能量化投资平台和社区。在这里，量化投资者可以无门槛使用最领先的人工智能技术开发量化策略。\nBigQuant的使命是：We are democratizing AI technology to empower investors
","isOrgWhiteList":false,"slug":"bigquant","avatar":{"id":"v2-a0d334b33ad2d3edc2321bfe803df76c","template":"/{id}_{size}.jpg"},"name":"BigQuant"},"column":{"slug":"bigquant","name":"人工智能邂逅量化投资"},"content":"工欲善其事，必先利其器，本文精心整理了各大编程语言常用的量化分析工具，会用其中几个就应该可以在私募找到一份不错的量化工作，如果不想安装，推荐 一站式的Python+机器学习+量化投资平台，打开浏览器就可以开发算法策略。欢迎大家补充~~~编程语言1.Python2.R3.Matlab4.Julia5.Java6.JavaScript7.Scala8.Ruby9.FrameworksPython\n介绍：一个用python实现的科学计算包。包括：1、一个强大的N维数组对象Array；2、比较成熟的（广播）函数库；3、用于整合C/C++和Fortran代码的工具包；4、实用的线性代数、傅里叶变换和随机数生成函数。numpy和稀疏矩阵运算包scipy配合使用更加方便。\n\n介绍：SciPy是一款方便、易于使用、专为科学和工程设计的Python工具包。它包括统计、优化、线性代数、傅里叶变换、信号和图像处理、常微分方程求解等等。\n\n介绍：Python Data Analysis Library 或 pandas 是基于NumPy 的一种工具，该工具是为了解决数据分析任务而创建的。Pandas 纳入了大量库和一些标准的数据模型，提供了高效地操作大型数据集所需的工具。pandas提供了大量能使我们快速便捷地处理数据的函数和方法。你很快就会发现，它是使Python成为强大而高效的数据分析环境的重要因素之一。\n\n介绍： quantdsl包是Quant DSL语法在Python中的一个实现。Quant DSL 是财务定量分析领域专用语言，也是对衍生工具进行建模的功能编程语言。Quant DSL封装了金融和交易中使用的模型（比如市场动态模型、最小二乘法、蒙特卡罗方法、货币的时间价值）。\n\n介绍：python内建的统计库，该库提供用于计算数值数据的数学统计的功能。\n\n介绍： PyQL构建在Cython之上，并在QuantLib之上创建一个很浅的Pythonic层，是对QuantLib的一个包装，并利用Cython更好的性能。\n\n介绍：针对于中国市场的Pandas定量投资金融工具包\n\n介绍：Vollib是用于计算期权价格、隐含波动率的纪念日工具包。能够非常快速和准确的技术来获得期权的隐含波动率。\n\n介绍：python量化金融框架。目前还是一个alpha版本，可以从雅虎网站获取每日收益的投资组合类。计算夏普比率和有效边界，并实现投资组合优化。\n\n介绍：纯python实现的金融计算库，目标是提供进行量化交易必要的工具，包括但不限于：定价分析工具、技术分析指标。其中部分实现参考了quantlib。\n\n介绍：ffn是一个专门为从事量化金融工作的人们提供金融数据分析功能的python包。 它位于重量级包（Pandas，Numpy，Scipy等）的基础上，并提供了广泛的功能模块，包括性能测量、图形可视化和数据转换。\n\n介绍：PyNance是用于从股票和衍生品市场检索、分析和可视化数据的开源软件。 比较特别的是它能够用于生成机器学习算法的特征和标签的工具。\n\n介绍：TIA是针对彭博数据库设置的，它提供bloomberg数据访问、更简便的pdf文档生成、回溯测试功能、技术分析功能、收益率分析和几个常用的Windows utils的工具包。\n\n交易和回测介绍：人工智能量化交易平台，拥有丰富的金融数据，可直接使用90%的主流机器学习/ 深度学习Python包。\n介绍：TA-Lib的简称是Technical Analysis Library，主要功能是计算价格的技术分析指标。 是技术分析者和量化人员在策略开发中常用的量化分析包。\n\n介绍：提供券银河/银河客户端/广发/湘财证券/雪球的基金、股票自动程序化交易以及自动打新，支持跟踪 joinquant /ricequant 模拟交易 和 实盘雪球组合, 量化交易组件。作者如果我说是90后，你敢信？\n\n介绍：vn.py - 基于python的开源交易平台开发框架，在github上是一个比较火的项目，目前对接的交易接口特别丰富，无论是股票接口还是期货接口。介绍：实盘易（ShiPanE）Python SDK，通达信自动化交易 API 及量化平台。
介绍：实时获取新浪 / Leverfun 的免费股票以及 level2 十档行情 / 集思路的分级基金行情，
很小，但非常实用。介绍：Pyalgotrade-cn 在原版的基础上加入了A股历史行情回测，并整合了tushare提供实时行情。以便大家对自己的策略进行回测和模拟测试。这个项目提供了比特币的交易接口。\n\n 基于pyctp接口，并采用vnpy的eventEngine，使用tkinter作为GUI的python交易平台\n\n介绍：trade是金融应用的一个包。 它主要是用于分析主题投资和事件驱动策略。 主题代表可以交易的任何东西，而事件则代表影响一个或多个主题的任何内容，如证券交易所政策或股票分割。它是针对与金融市场有关的任何一种主题和事件进行开发的投资工具包。\n\n介绍：一个事件驱动股票策略量化回测框架，由Quantopian开源，目前国内的很多Python编程语言的在线量化回测平台都是以zipline为模板开发应用的。\n\n介绍：QSToolKit（QSTK）是一个基于Python的开源软件框架，旨在支持组合构建和管理。 为金融学生、计算机学生和具有编程经验的量化分析师建立QSToolKit。支持建模分析、回测分析和实盘交易。\n\n介绍：quantitative是一个事件驱动和多功能的反向测试库。 用户可以用定量测试他们的交易模型。由于仍在开发中，谨慎使用。\n\n介绍：用于实时金融数据收集、分析和开发交易策略的一个金融分析包。\n\n介绍：bt是用于测试定量交易策略的Python的灵活的backtesting框架。 bt建立在ffn之上，封装了很多机器学习、信号处理和统计函数。bt的目的是建好轮子，让量化人员把重点放在策略开发上。\n 介绍：一款量化回测平台。 介绍：国外一款在线的量化回测平台。\n介绍：一个功能丰富的Python测试和交易框架。backtrader能够让策略研究员专注于编写可重用的交易策略、指标和分析器，而不是花时间构建基础设施。理念类似bt.\n\n介绍：网上对这个量化分析包的介绍资料并不多。\n\n介绍：在Python 结合Pandas包的矢量化测试框架，旨在帮助宽客回测更容易、 紧凑、简单、快速。\n\n介绍：PyAlgoTrade是一个事件驱动的算法交易Python库。 尽管设计初衷是回溯测试，但现在已经可以实盘交易，并且包含比特币的交易。pyalgotrade-cn是国内版针对中国市场的开源量化包。\n\n介绍：从名字就可以看出，这是一个使用Python 来进行交易的一个量化分析包，使用它可以完成一系列金融量化教程的学习。\n\n介绍：这是一个算法交易执行引擎。 \n\n介绍：pysentosa是一个针对sentosa自动化交易系统的Python接口，作者Wu Fuheng\n\n介绍：finmarketpy是一个基于Python的库，帮助你能够使用简单易用的API分析金融数据以及回测交易策略。\n\n 基于Euan Sinclair的波动率交易的波动率估计器\n\n 在这里收集了一些量化金融和算法交易的资料，大多数基于Quantopian、Zipline、Pandas的ipython notebook。\n风险分析\n介绍：组合投资和风险分析的库，是与zipline配合使用的一个组合风险分析工具。BigQuant平台可直接使用，已安装完成。\n\n介绍：和pyfolio一样，也是配合zipline使用的，主要用来分析因子风险。\n\n介绍：财务风险计算库，该项目的目的是提供易于使用的python代码进行财务风险计算。\n\n介绍：定量金融风险管理，用于度量、管理和可视化投资组合风险的极好的OOP工具。\n\n介绍：投资组合构建与定量分析\n\n介绍：用于可视化分析投资组合的工具\n\n时序分析\n介绍：专门针对金融时间序列数据进行ARCH模型建模\n\n介绍：Python的统计建模和计量经济学工具包,包括一些描述统计、统计模型估计和推断\n\n介绍：对于时间序列分析和操作的库\n\n介绍：同样为时间序列模型库\n\n交易日历\n介绍：证券交易所交易日历的模块，配合zipline使用\n\n介绍：工作日计算和建议实用程序\n\n数据源\n介绍：通过Bloomberg，Quandl，Yahoo的交易数据\n\n介绍：通过Google金融api获得的实时股票数据\n\n介绍：从Yahoo获得股票数据\n\n介绍：从多个不同渠道（包括yahoo）获得的交易数据,配合Pandas包使用\n\n介绍：获取和分析金融数据的api\n\n介绍：金融数据获取api\n\n介绍：yahoo金融的股票数据\n\n介绍：实时股票数据Wallstreet是一个用于监控和分析实时股票和期权数据的Python库。 数据由Google财经API提供，是一个提供特别简单的获取美股数据API的开源库。 \n\n介绍：该库提供了两个数据源，一个是Yahoo Finance，一个是\n\n介绍：用以获取yahoo金融数据的库\n\n介绍：能够获取来自AMEX、NYSE、NASDAQ等几大交易所的行情数据。\n\n介绍：FRED(R) API的客户端\n\n介绍：是经济数据的汇总网站。inquisitor这个Python模块提供了一个围绕的API的包装器,可以快速批量获取数据。\n\n介绍：获取中国股票数据的python API\n\n介绍：获得当前汇率数据的API\n\n介绍：通过命令行获得交易Tick数据的库\n\n介绍：Bloomberg的python接口，方便其用户快速获取数据\n\n介绍：一个用于货币的python模块。该模块编译一个货币对象字典，包含有用的财务分析信息。但并不是所有的货币都被支持，处于持续增加中。\n\n介绍：获取历史以及实时的中国股票数据，简单好用，但数据质量堪忧，而且不太稳定\n\n介绍：获取日本股票数据的一个API库\n\n介绍：获取中国股票数据的库，比较小众\n\n介绍：用于获取coinmarketcap数据的Python API\n\n介绍：获得给定股票的历史数据和小时股票价格\n\n介绍：brontoAPI集成，bronto-python是一个python数据查询客户端\n\nExcel集成\n介绍：处理excel文件的库\n\n介绍：处理xlsx后缀格式文件的库\n\n介绍：处理excel的库\n\n介绍：将数据写入到xlsx的库\n\n介绍：创建可兼容的excel的库\n\n介绍：处理excel的python库\n\n介绍：处理excel的库\n\nR\n介绍：xts是对时间序列数据(zoo)的一种扩展实现，目标是为了统一时间序列的操作接口。实际上，xts类型继承了zoo类型，丰富了时间序列数据处理的函数，API定义更贴近使用者，更实用，更简单！\n\n 介绍：data.table继承于data.frame。它提供了一个快速通道，让我们能更加快速的读取文件，对数据进行筛选、分组、排序、联表，而且其语法灵活、简介。由于data.table是一个data.frame所以它几乎兼容所有的函数。\n\n介绍：提供了一个时间序列数据库的接口\n\n介绍：时间序列分析和金融数据分析出来的包\n\n介绍：不规则时间序列数据分析的包\n\n介绍：zoo是一个R语言类库，zoo类库中定义了一个名为zoo的S3类型对象，用于描述规则的和不规则的有序的时间序列数据。zoo对象是一个独立的对象，包括索引、日期、时间，只依赖于基础的R环境，zooreg对象继承了zoo对象，只能用于规则的的时间序列数据。\n\n介绍：专门针对带时间戳数据的分析的包\n\n介绍：数据操作和快速的时间序列可视化的包\n\n介绍：时间序列数据操作包\n\n数据包\n介绍：提供本地R访问Interactive Brokers Trader的一个接口。\n\n介绍：Bloomberg的基于R语言的数据接口\n\n介绍：获得金融数据的R包\n\n介绍：统一市场API接口（包括bitstamp、kraken、btce、bitmarket）。\n\n介绍：直接从Tesouro Direto网站下载并汇总巴西政府发行债券的数据。\n\n介绍：从Bovespa ftp站点直接下载并汇总的高频交易数据\n\n金融工具包\n介绍：RQuantLib将GNU R与QuantLib连接起来。\n\n介绍：定量金融建模框架。\n\n介绍：数字金融教学和培训的首要开源软件解决方案\n - EBM和亚洲期权估值\n - 金融资产建模与分析\n - 市场和基本统计分析\n - 债券和利率市场建模\n - 异式期权\n -资产定价与评估\n - 组合选择和组合优化的模块\n\n介绍：权益资产（股票）分析的一个包\n\n介绍：模拟股票投资组合策略构建的框架\n\n介绍：建立股票模型并分析股票投资组合\n\n 介绍：货币时间价值、现金流分析等财务功能\n\n 介绍：价格随机微分方程的模拟与推理\n\n介绍：零息票收益率曲线估计\n\n介绍：收益率曲线的建模和估计\n\n - 介绍：通过Smith-Wilson方法从LIBOR和SWAP汇率表中构建收益率曲线\n\n介绍：收益率曲线或零息票据的内插和外推\n\n介绍：优化价格和金融模型估计\n\n介绍：金融市场模拟仿真的一个R包\n\n介绍：美国看涨期权定价的一个包\n\n介绍：权益指数定价的方差互换\n\n - 风险分析\n\n介绍：美国期权定价与最小二乘法蒙特卡罗方法\n\n 介绍：看跌期权的定价和套期保值策略的估计\n\n介绍：货币功能的时间价值\n\n介绍：有效模拟期权定价\n\n介绍：金融衍生品市场的R语言包\n\n介绍：时间序列数据处理和金融分析\n\n介绍：R语言实现的金融数据分析库\n\n交易\n介绍：对金融市场数据进行技术分析，运用非常广泛。\n\n介绍：backtest提供了探索有关金融工具（股票、债券、掉期、期权等）的投资组合构建，能够对多市场标的进行回测的交易包。\n\n介绍：股权投资组合的绩效归因包。\n\n介绍：技术交易规则包。\n\n介绍：QuantTools全部在一个R包中，旨在增强量化交易策略建模。 它允许您从Yahoo、Google和IQFeed等多个来源下载和整理历史市场数据,并快速编写交易算法，具有强大的事件驱动处理API，包括交易成本和交换通信延迟，并将详细数据无缝转换为R代码。在几行代码中，您将能可视化地看到交易模型如何从bar数据到回测结果图。\n\n风险分析\n介绍：用于绩效归因和风险分析的计量经济学工具。\nTime Series\n介绍：时间序列处理和金融分析的一个R包，开篇的第一个例子就是单位根检验。\n\n介绍： 一个S3类，特别针对不规律的时间序列数字向量/矩阵建模。zoo包设计目标是为独立的特定索引/日期/时间类提供扩展方法保持与ts和base R的一致性\n\n介绍：通过扩展zoo包来提供对R不同时间数据类型的统一处理，并允许用户定制和扩展，同时简化跨类互操作性。\n\n介绍：自回归条件异方差建模的一个包，这个包定位比较精专。\n\n介绍：如名字所示，金融工程与计算金融环境，管理金融时间序列数据对象。\n\n介绍：提供ARFIMA、in-mean, external regressors 等各种GARCH模型，数理知识要求比较高，很多函数理解起来很困难。\n\n交易日历\n介绍：timeDate不仅提供日期和时间功能，而且还提供复杂的工作日、周末、节假日和教会假期的日历操作。\n\n介绍：在许多国家，价格衍生品和固定收益工具的定价涉及到使用工作日。例如，在巴西，绝大多数的金融机构都是按照营业日计数规则定价。bizdays的目的是使日期计算更加简单。\n\nMatlab\n介绍：Matlab上集成的量化工具包\nJulia\n介绍：用Julia实现的Quantlib库。\n\n介绍：Julia的量化金融模型库。\n\n介绍：TA-LIB的Julia版本，一个技术分析的量化库。\n\nJava\n介绍：纯java写的量化金融库，类似于Python的Quantlib\n\n介绍：数学金融库：与数学金融相关的算法和方法。\n\n介绍：QuantComponents - 用于量化金融和算法交易的免费Java组件\n\n介绍：固定收益、资产配置、交易成本分析的库\n\nJavaScript\n介绍：量化数据的可视化\n\n介绍：haskell的量化金融库\n\n介绍：Haskell的量化金融库\n\nScala\n介绍：Scala量化金融库\n\n介绍：Scala提供股票数据接口API的库\n\nRuby\n介绍：Ruby的算法交易接口\n框架\n - QuantLib提供了一整套量化金融的接口 - Java接口\n - R语言接口\n - Excel接口\n - Excel扩展\n - .Net接口\n - Python接口\n - Julia接口\n欢迎补充。文中提供的网页链接，均来自于网络，如有问题，请站内告知。原创出品，转载请先获得作者BigQuant同意！","state":"published","sourceUrl":"","pageCommentsCount":0,"canComment":false,"snapshotUrl":"","slug":,"publishedTime":"T20:06:31+08:00","url":"/p/","title":"每一个宽客都应该收藏的量化“利器”","summary":"工欲善其事，必先利其器，本文精心整理了各大编程语言常用的量化分析工具，会用其中几个就应该可以在私募找到一份不错的量化工作，如果不想安装，推荐 一站式的Python+机器学习+量化投资平台，打开浏览器就可以开发算法策略。欢迎大家补充~~~ 编程…","reviewingCommentsCount":0,"meta":{"previous":null,"next":null},"commentPermission":"anyone","commentsCount":0,"likesCount":0}},"annotationDetail":null,"commentsCount":18,"likesCount":453,"FULLINFO":true}},"User":{"bigquant":{"isFollowed":false,"name":"BigQuant","headline":"官网：/\nBigQuant的目标是成为每一个宽客的人工智能量化投资平台和社区。在这里，量化投资者可以无门槛使用最领先的人工智能技术开发量化策略。\nBigQuant的使命是：We are democratizing AI technology to empower investors
","avatarUrl":"/v2-a0d334b33ad2d3edc2321bfe803df76c_s.jpg","isFollowing":false,"type":"people","slug":"bigquant","bio":"人工智能助力宽客玩转量化投资，使用AI开发量化策略","hash":"8fdc67b61ebffe84b37a","uid":843500,"isOrg":false,"description":"官网：/\nBigQuant的目标是成为每一个宽客的人工智能量化投资平台和社区。在这里，量化投资者可以无门槛使用最领先的人工智能技术开发量化策略。\nBigQuant的使命是：We are democratizing AI technology to empower investors
","profileUrl":"/people/bigquant","avatar":{"id":"v2-a0d334b33ad2d3edc2321bfe803df76c","template":"/{id}_{size}.jpg"},"isOrgWhiteList":false,"badge":{"identity":null,"bestAnswerer":null}}},"Comment":{},"favlists":{}},"me":{},"global":{},"columns":{"bigquant":{"following":false,"canManage":false,"href":"/api/columns/bigquant","name":"人工智能邂逅量化投资","creator":{"slug":"bigquant"},"url":"/bigquant","slug":"bigquant","avatar":{"id":"v2-7e63e77fe3d89a2bfcf5","template":"/{id}_{size}.jpg"}}},"columnPosts":{},"postComments":{},"postReviewComments":{"comments":[],"newComments":[],"hasMore":true},"favlistsByUser":{},"favlistRelations":{},"promotions":{},"switches":{"couldAddVideo":false},"draft":{"titleImage":"","titleImageSize":{},"titleImageFullScreen":false,"canTitleImageFullScreen":false,"title":"","titleImageUploading":false,"error":"","content":"","draftLoading":false,"globalLoading":false,"pendingVideo":{"resource":null,"error":null}},"config":{"userNotBindPhoneTipString":{}},"recommendPosts":{"articleRecommendations":[],"columnRecommendations":[]},"env":{"isAppView":false,"appViewConfig":{"content_padding_top":128,"content_padding_bottom":56,"content_padding_left":16,"content_padding_right":16,"title_font_size":22,"body_font_size":16,"is_dark_theme":false,"can_auto_load_image":true,"app_info":"OS=iOS"},"isApp":false},"sys":{}}