お前はどこまで見えている

1. 简介 在 Mac 下安装应用时，如果直接在终端使用 brew 安装，则一般都可以在终端直接输入应用名打开。但对于非终端下安装的应用程序，则不能直接在终端下打开。 2. 方法 对于 Mac 非终端安装的应用程序，可以使用以下命令打开： 1open -a <app_name> 其中，-a 参数表示打开应用程序，即 Application。 附录 How to Open Applications Using Terminal on Mac

1. 基本概念 正样本：预测标签与真实标签一致的样本； 负样本：预测标签与真实标签不一致的样本； 困难样本：预测值与实际标签误差较大的样本； 简单样本：预测值与实际标签误差较小的样本。 2. AUC AUC: Area Under ROC Curve，同目标检测中的 AUC 指标。 理解：随机抽取一对正负样本，AUC 是把正样本预测为 111 的概率大于把负样本预测为 111 的概率的概率。 意义：当 AUC 为 0.50.50.5 时，模型没有分类能力，完全是随机猜测；AUC 越大说明模型越具有分类能力。 3. GAUC GAUC: Group AUC，先计算各个用户自己的 AUC，然后取加权平均。公式如下： GAUC=∑uiwui⋅AUCui∑wui\mathrm{GAUC} = \frac{\sum_{ui} w_{ui} \cdot \mathrm{AUC}_{ui}}{\sum w_{ui}} GAUC=∑wui​∑ui​wui​⋅AUCui​​ 4. HR@K HR@K: Hit Ratio，即命中率，数学公式如下： HR@K=∑iKhit(i)N\mathrm{H ...

1. 简介 以物理中「力」的角度来看待，我们通常会将「合力」分解为各个「分力」，来描述整个「合力」的影响。特征值分解便是将「矩阵」分解成各个方向的分量，通过对各个分量的刻画来描述此矩阵。 特征分解：eigen decomposition 特征向量：eigen vector 特征值：eigen value 2. 理解 设矩阵 A∈Rn×nA \in \mathbb{R}^{n \times n}A∈Rn×n，向量 x∈Rn×1x \in \mathbb{R}^{n \times 1}x∈Rn×1，则有： 矩阵乘法本质是一种变换。以几何角度来看，AxAxAx 表示对向量 xxx 进行旋转和伸缩变换。 矩阵 AAA 的特征向量是一种特殊的向量，满足 Ax=λxAx = \lambda xAx=λx。也就是说，矩阵 AAA 对特征向量 xxx 只起到伸缩变换的作用，而没有旋转变换的作用。 Ax=λxAx = \lambda xAx=λx 表示矩阵 AAA 和特征值 λ\lambdaλ、特征向量 xxx 之间建立了联系，但无法通过单一的 λ\lambdaλ 和 xxx 来表示 A ...

1. 简介 目前学术和工业界出现的目标检测算法分成三类： 传统的目标检测算法 Cascade + HOG / DPM + Haar / SVM 候选窗 + 深度学习分类 提取候选区域 + 深度深度习方法分类 R-CNN（Selective Search + CNN + SVM）SPP-Net（ROI Pooling）Fast R-CNN（Selective Search + CNN + ROI）Faster R-CNN（RPN + CNN + ROI）R-FCN 等系列方法 基于深度学习的回归方法 YOLO / SSD / DenseBox 等方法 结合 RNN 算法的 RRC detection；结合 DPM 的 Deformable CNN 等 深度学习经典检测方法主要分为两类： 两阶段 Two-stage：Faster-RCNN、Mask-RCNN 系列 单阶段 One-stage：YOLO 系列 2. 相关指标 2.1 F1-Score TP：True Positive，正样本被正确分为了正类； TN：True Negative，负样本被正确分为了负 ...

1. 简介 聚类是针对给定的样本，依据它们特征的相似度或距离，将其归并到若干个「类」或「簇」的数据分析问题。一个类是样本的一个子集，直观上，相似的样本聚集在相同的类，不相似的样本分散在不同的类。 聚类的目的是通过得到的类或和入在来发现数据的特和点或对数据进行处理，在数据挖掘、模式识别等领域有着广泛的应用。聚类属于无监督学习，因为只是根据样本的相似度或距离将其进行归类，而类或簇事先并不知道。 常用的聚类算法有：层次聚类和 K 均值聚类。层次聚类又有聚合（自下而上）和裂（自上而下）两种方法。 聚合法：开始将每个样本各自分到一个类，之后将相距最近的两类合并，建立一个新的类，重复此操作直到满足停止条件，得到层次化的类别。 分裂法：开始将所有样本分到一个类，之后将已有类中相距最远的样分到到两个新的类，重复此操作直到满足停止条件，得到层次化的类别。 KKK 均值聚类是基于中心的聚类方法，通过迭代，将样本分到 KKK 个类中，使得每个样本与其所属类的中心或均值最近，最后得到 KKK 个平坦的、非层次化的类别，构成对空间的划分。 2. 基本概念 聚类的基本概念，主要包括样本之间的距离或相似度、类或 ...

1. 简介 最大熵模型由最大熵原理推导实现。 2. 最大熵原理 最大熵原理是概率模型学习的一个原则。最大熵原理认为，学习概率模型时，在所有可能的概率模型中，熵最大的模型是最好的模型。通常用约束条件来确定概率模型的集合，因此最大熵原理也可以表述为在满足约束条件的模型集合中选取熵最大的模型。 假设离散随机变量 XXX 的概率分布是 P(X)P(X)P(X)，则其熵为 H(P)=−∑xP(x)log⁡P(x)H(P) = - \sum_{x} P(x) \log{P(x)} H(P)=−x∑​P(x)logP(x) 熵满足下列不等式： 0≤H(P)≤log⁡∣X∣0 \leq H(P) \leq \log{|X|} 0≤H(P)≤log∣X∣ 式中，∣X∣|X|∣X∣ 是 XXX 的取值个数，当且仅当 XXX 的分布是均匀分布时右边的等号成立。 直观上来看，最大熵原理认为要选择的概率模型首先必须满足已有事实，即约束条件。在没有更多信息的情况下，那些不确实的部分都是「等可能的」。最大熵原理通过熵的最大化来表示等可能性。 3. 最大熵模型 假设分类模型是一个条件概率分布 P(Y∣X)P(Y ...

1. 简介 支持向量机（Support Vector Machines，SVM）是一种二类分类模型，它的基本模型是定义在特征空间上的间隔最大的线性分类器，间隔最大使它有别于感知机。支持机还包括核技巧，这使它成为实质上的非线性分类器。支持向量机的学习策略就是间隔最大化，可形式化为一个求解凸二次规划的问题。 支持向量机学习方法包含构建由简至繁的模型：线性可分支持向量机、线性支持向量机以及非线性支持向量机。 当训练数据线性可分时，通过硬间隔最大化，学习一个线性的分类器， 即线性可分支持向量机，又称硬间隔支持向量机；当训练数据近似线性可分时，通过软间隔最大化，也学习一个线性的分类器，即线性支持向量机，又称为软间隔支持向量机；当训练数据线性不可分时，通过使用核技巧及软间隔最大化，学习非线性支持向量机。 2. 线性可分支持向量机 假设给定一个特征空间上的训练数据集 T={(x1,y1),(x2,y2),⋯ ,(xN,yN)}T = \{(x_1, y_1), (x_2, y_2), \cdots, (x_N, y_N)\} T={(x1​,y1​),(x2​,y2​),⋯,(xN​,yN​)} ...

1. 简介 逻辑斯谛回归是统计学习中的经典分类方法。 2. 逻辑斯谛分布 定义：设 XXX 是连续随机变量，XXX 服从逻辑斯谛分布是指 XXX 具有下列分布函数和密度函数： F(x)=P(X≤x)=11+e−(x−μ)/γf(x)=F′(x)=e−(x−μ)/γγ(1+e−(x−μ)/γ)2F(x) = P(X \leq x) = \frac{1}{1 + e^{-(x-\mu)/\gamma}} \\ f(x) = F^{'}(x) = \frac{e^{-(x-\mu)/\gamma}}{\gamma(1 + e^{-(x-\mu)/\gamma})^2} F(x)=P(X≤x)=1+e−(x−μ)/γ1​f(x)=F′(x)=γ(1+e−(x−μ)/γ)2e−(x−μ)/γ​ 其中，μ\muμ 是位置参数，γ>0\gamma > 0γ>0 为形状参数。 逻辑斯谛分布的 PDF 和 CDF 函数曲线如下图所示： 3. 二项逻辑斯谛回归模型 二项逻辑斯谛回归模型是一种分类模型，其由条件概率分布 P(Y∣X)P(Y | X)P(Y∣X) 表示，形 ...

本文出现的符号术语含义如下表： 符号 说明 PtP_tPt​ 在时刻 ttt 时某种资产的价格 RtR_tRt​ 收益率 rtr_trt​ 对数收益率 σt\sigma_tσt​ 波动率 SharpeRatio\mathrm{SharpeRatio}SharpeRatio 夏普率 收益率 假设 PtP_tPt​ 表示在时刻 ttt 时一种资产的价格，在没有利息的情况下，从时刻 t−1t-1t−1 到时刻 ttt 这一持有阶段的收益率（Returns ）为： Rt=Pt−Pt−1Pt−1R_t = \frac{P_t - P_{t-1}}{P_{t-1}} Rt​=Pt−1​Pt​−Pt−1​​ 其中，分子 Pt−Pt−1P_t - P_{t-1}Pt​−Pt−1​ 表示资产在持有期内的收入或利润，值为负则表示亏损；分母 Pt−1P_{t-1}Pt−1​ 表示持有资产初期的原始投资。 对数收益率 对数收益率（Log Returns）比简单的收益率更为常见，其定义如下： rt=ln⁡(1+Rt)=ln⁡PtPt−1r_t = \ln{(1 + R ...

1. 简介 日语形容词分为两类，它们的一般规律为： Ⅰ类：也称「い」类，即显示地以「い」结尾的形容词； Ⅱ类：不以「い」结尾，一般由两个汉字组成，或者是外来语。 2. Ⅰ类 Ⅰ类形容词修饰名词时为「Ⅰ类形容词 + 名词」的结构，中间不能加「の」。 常用的Ⅰ类形容词： Ⅰ类形容词 含义 Ⅰ类形容词 含义 あたらし（新しい） 新 ふるい（古い） 旧 あつい（熱い） 热，烫 つめたい（冷たい） 凉 たかい（高い） 高 ひくい（低い） 矮，低 ながい（長い） 长 みじかい（短い） 短 あつい（暑い） 热 さむい（寒い） 冷 たかい（高い） 贵 やすい（安い） 便宜 おおい（多い） 多 すくない（少ない） 少 むずかしい（難しい） 难 やさしい（易しい） 容易 ひろい（広い） 宽广 せまい（狭い） 狭窄 おおきい（大きい） 大 ちいさい（小さい） 小 とおい（遠い） 远 ちかい（近い） 近 いい/よい 好 わるい（悪い） 不好，坏 たのしい（楽しい） 愉快 つまらない 无聊 2.1 时态 Ⅰ类形容词作谓语的一般变形规律为： ...

资源 资料 说明 史上最全Quant资源整理 超级详细的金融量化资源。 OLPS 第一个金融量化开源工具箱。 tsfresh 针对时序特征工程的开源包，能够从时间序列中自动提取相关特征。 预测： 方法与实践 时序数据的特征工程书籍。 FinRL: Financial Reinforcement Learning 开源的金融强化学习工具库。 期刊 期刊 说明 Journal of Finance (JF) Journal of Finance 是引用最广泛的金融学术期刊之一，每年出版六期，是美国金融协会的官方出版物。该期刊发表金融所有领域的领先研究，每一期都覆盖了全球 8000 多名学者、金融专业人士、图书馆、政府和金融机构。 Journal of Financial Economics (JFE) Journal of Financial Economics 是一份领先的同行评审学术期刊，涵盖金融经济学的理论和实证主题。它为金融经济学和公司理论领域的研究发表提供了一个专门的论坛，主要强调以下主要领域的最高质量的经验、理论和实验贡献： ...

学习 资料 说明 【日语课程】标日初级精讲BY萌萌哒葉子先生 叶子老师的新标日初级公开课，详细有趣，但也因此比较费时。 日语学习：新标日课文带读，早中晚跟读一次！！不知不觉就记住了 新标日课文带/跟读 日语学习：新标日单词，早中晚跟读一次！！不知不觉就记住了！ 新标日单读带/跟读 日语学习：新标日课程0到N1，B站史上最好学的日语入门视频教程零基础学习日语轻松简单学 新标日学习，比较简练 【阿飞老师】新版标准日本语精讲合集——配套练习 新标日配套练习 词典 词典 说明 翻訳と辞書 免费的在线日语词典，收录各个领域的专业词汇解释，电脑，安卓，iOS，Linux，医学，建筑，模具等等！！ Wiktionary 一个多功能词典，其中描述了所有语言的短语的含义、词源、用法和相关单词。 中国語辞書 - Weblio日中中日辞典 一个免费的中日词典 WEBLIO辞書 免费的中日词典，有读音、简洁的日文解释、还有简单的例句跟相似的表达。 沪江小 D 词典 简单易用，但不够详细。 MOJi 辞書 非常实用的付费日语词典，配有相应的 ...