书生剑客

书生剑客

职业投资17年,工业自动化专业毕业,比较了解计算机系统及相关行业,投资理念:成长为主 价值为辅

书生剑客回复的提问

剑客好,很喜欢你写的历史文章。能推荐三本你最喜欢的历史书嘛?谢谢你[献花花]

他的全部讨论

书生准备在雪球发行基金,有投资意向的朋友请私信联系

书生自2006年9月份进入A股投资,至今一直专职投资,其中在雪球公开的2012年到今天的投资业绩为730.5%,如果加上融资获利的话,从2014年6月份至今投资业绩为6年10倍,2015年6月份至今为5年接近4倍(其中2015年5月份到2016年5月份空仓一年)。
以下是我对于投资的理解和认识:
1、基础的专业知...

递归神经网络系列 1 - 序列的魔法师:RNN基础

文/Renda
在当今的数据驱动世界中,序列数据的处理与分析已成为关键任务之一。无论是金融市场的时间序列分析、语言识别系统,还是自然语言处理和预测建模,所有这些领域都依赖于对时间或顺序敏感的数据的有效处理。在这个背景下,递归神经网络(Recurrent Neural Networks, RNN)的重要性不言...

卷积神经网络系列 6 - 图像与超越:CNN在现实世界的应用

文/Renda
在我们之前的五篇文章中,我们深入探索了卷积神经网络(CNN)的世界,一个在人工智能和深度学习领域具有革命性意义的技术。我们从基础开始,解释了什么是CNN,它如何工作,以及为什么它在图像处理中如此重要。通过探讨卷积层的工作原理、池化层和正则化的应用,我们了解了CNN如何有效...

卷积神经网络系列 5 - CNN名人堂:走进经典卷积网络架构

文/Renda
在深度学习的广泛领域中,卷积神经网络(CNN)无疑是最引人注目的明星之一。从最初的文字识别到现代的复杂图像分析和视频处理,CNN在各种应用中都发挥着核心作用。这种架构之所以重要,主要在于其独特的能力——有效处理大规模的图像数据,提取和学习深层次的视觉特征。这不仅使得CNN...

卷积神经网络系列 4 - 构建深度视觉模型:高级CNN结构解析

文/Renda
在当今技术领域,深层卷积神经网络(Deep Convolutional Neural Networks,简称CNN)已成为一个重要的里程碑,尤其是在处理视觉和图像相关任务时。这种网络结构因其在特征提取和模式识别方面的卓越性能,被广泛应用于各种复杂的计算问题中。深层CNN通过其多层次的结构有效地学习数据...

卷积神经网络系列 3 - 模型优化的艺术:CNN中的池化与正则化

文/Renda
在当今迅速发展的机器学习领域,卷积神经网络(CNN)已成为图像处理和计算机视觉领域的核心技术。我们已经探讨了CNN的基本概念、卷积层的工作原理以及如何通过卷积操作提取图像特征。在这篇文章中,我们将深入讨论卷积神经网络的两个关键组成部分: 池化层 和 正则化技术 。
池化...

卷积神经网络系列 2 - 深入卷积:探索CNN的核心运算

文/Renda
在我们的卷积神经网络(CNN)系列的第一篇文章《卷积神经网络系列 1 - 视觉世界的解码者:CNN入门》中,我们探索了CNN的基本概念和历史,介绍了它们如何在图像处理中扮演了至关重要的角色。我们讨论了卷积操作的基本理念、CNN中激活函数的作用,以及简单CNN架构的概述。这为理解卷积...

卷积神经网络系列 1 - 视觉世界的解码者:CNN入门

文/Renda
在当今数字时代,图像数据无处不在,从社交媒体的照片到医学成像,再到街头监控。处理和理解这些图像数据已成为现代计算科学的重要领域。这正是卷积神经网络(Convolutional Neural Networks, CNN)发挥作用的地方。CNN是一种深度学习技术,专门设计用于处理具有网格结构的数据,如图...

激活函数:神经网络的魔法

文/Renda
神经元的故事
想象一下,你的大脑是一个精密的信息处理中心,其中数以亿计的神经元在默默工作,接收、处理、传递着各种信息。这些微小的细胞,通过一种复杂而精细的机制,使我们能够思考、感觉、记忆和行动。神经元的这种能力,归功于一个核心过程——激活。
每当你感觉到...

神经网络基础系列 5 - 从实验室到现实世界:前馈神经网络的多样化应用

文/Renda
随着人工智能技术的飞速发展,前馈神经网络(Feedforward Neural Networks)已成为现代技术中不可或缺的一部分。它们的出现不仅标志着数据处理和模式识别领域的一个重大飞跃,而且彻底改变了我们与技术互动的方式。从简单的图像识别到复杂的自然语言处理,前馈神经网络在各种应用中发...

神经网络基础系列 4 - 智能学习的艺术:训练神经网络的技巧与挑战

文/Renda
在我们的神经网络基础系列的旅程中,我们已经深入探讨了神经网络的核心概念和结构。在上一篇文章《神经网络基础系列 3 - 数据的力量:前馈神经网络中的信息流》中,我们重点讨论了前馈神经网络的工作原理,探究了数据如何在这些网络中流动并被处理。我们了解到,网络的每个层次都通过...

神经网络基础系列 3 - 数据的力量:前馈神经网络中的信息流

文/Renda
在我们的旅程中探索神经网络的奥秘,上一篇文章《神经网络基础系列 2 - 构建智能:多层感知机与深度学习的奥秘》为我们揭开了多层感知机(MLP)的神秘面纱。我们探讨了从简单的单层网络到具有隐藏层的多层网络的演进,强调了激活函数在增强网络学习能力中的关键作用,并通过实际应用...

神经网络基础系列 2 - 构建智能:多层感知机与深度学习的奥秘

文/Renda
在我们的上一篇文章《神经网络基础系列 1 - 神经网络启蒙:揭开人工智能的神秘面纱》中,我们探索了神经网络的基本概念和历史。我们了解了神经网络的起源,以及它们是如何从简单的生物学灵感发展成为今天的复杂计算模型的。我们介绍了神经元、权重和激活函数等基础术语,解释了这些术...

神经网络基础系列 1 - 神经网络启蒙:揭开人工智能的神秘面纱

文/Renda
在今天这个日益数字化的时代,神经网络已成为技术革新的核心。从智能手机中的面部识别到医疗领域中的疾病诊断,再到汽车的自动驾驶系统,神经网络的应用几乎无处不在。它们是人工智能的一个重要分支,使机器能够从经验中学习,并在此基础上做出智能决策。随着计算能力的增强和数据量...

信息论系列:8 - 信息论的实践应用:通信、密码学与机器学习

文/Renda
在当今这个信息爆炸的时代,信息论已经成为理解和优化通信、数据处理和分析的关键。从最初由克劳德·香农(Claude Shannon)在1948年提出的基础理论,信息论不仅开辟了现代通信技术的道路,而且在密码学、机器学习乃至于我们理解人类语言和大脑工作方式等领域中发挥了不可或缺的作用...

信息论系列:7 - 噪声模型的原理与影响

文/Renda
在我们的信息论系列中,我们已经探索了多个关键概念,从基本的信息熵和香农熵到复杂的误差纠正码。每一篇文章都是对信息论这一广阔领域的深入挖掘,揭示了它如何在我们周围的技术世界中扮演着至关重要的角色。在上一篇文章《信息论系列:6 - 误差纠正码的原理与应用》中,我们详细讨...

信息论系列:6 - 误差纠正码的原理与应用

文/Renda
在我们的信息论系列探索之旅中,我们已经涵盖了从信息熵到信道容量的多个关键概念。每一篇文章都是对信息论这一宏伟理论的深入挖掘。在上一篇文章《信息论系列:5 - 信道容量和信息传输的极限》中,我们探讨了信道容量的概念以及它如何决定一个通信系统可以传输信息的极限速率。了解...

信息论系列:5 - 信道容量和信息传输的极限

文/Renda
在前面的系列文章中,我们已经探讨了信息论的多个核心概念,如信息熵(Entropy)、联合熵(Joint Entropy)、条件熵(Conditional Entropy)、互信息(Mutual Information),以及香农编码(Shannon Coding)和数据压缩(Data Compression)的原理。这些概念不仅构成了信息论的基础,...

信息论系列:4 - 香农编码和数据压缩

文/Renda
在前三篇文章中,我们深入探讨了信息论的基础概念——从信息熵的本质(Entropy and Shannon Entropy),到联合熵和条件熵(Joint and Conditional Entropy)的复杂交织,再到互信息和信息增益(Mutual Information and Information Gain)在数据处理和决策中的重要应用。这些概念为我...

信息论系列:3 - 互信息和信息增益

文/Renda
欢迎回到我们的信息论系列。在之前的文章《信息论系列:2 - 联合熵和条件熵》中,我们探讨了联合熵和条件熵的概念,以及它们在衡量信息量时的重要性。这些概念帮助我们理解了信息在不同随机变量间的分布和依赖性。今天,我们将继续这一探索旅程,深入了解两个核心概念: 互信息 (Mut...