标签¶
¶
- CS50 Week 0 Scratch
- CS50 Week 1 C
- CS50 Week 2 Array
- CS50 Week 3 Algorithms
- Linux 命令行—文件操作
- CS50 Week 4 Memory
- Linux 命令行—重定向
- Linux 命令行—配置环境
- CS50 Week 5 Data Structure
- CS50 Week 6 Python
- CS50 Week 7 SQL
- CS50 Week 8 HTML, CSS, JavaScript
- CS50 Week 9 Flask
- 通过 SSH Key 免密登录服务器
- 为目录生成树形结构图
- Linux 查看与释放内存
- 高级搜索技巧
- 中文技术文档的写作规范
- VS Code 加载 Web 视图时出错的解决方案
- 修改 VS Code 键盘快捷键
- Typora 设置默认代码语言
- 腾讯云对象存储命令行工具
- 基于 giscus 为网站添加评论系统
- 常用的 Git 代码
- 计算机教育中缺失的一课：The shell
- 计算机教育中缺失的一课：Shell 工具和脚本
- 访问服务器的 Jupyter Notebook
- 在 MacOS 中安装 tree 命令
- JupyterLite：在浏览器中运行 Python
- 使用 pre-commit 为 Git 仓库设置自动任务
- 使用 Makefile 简化工作流
¶
¶
¶
- Linux 命令行—文件操作
- Linux 命令行—重定向
- Linux 命令行—配置环境
- 通过 SSH Key 免密登录服务器
- 为目录生成树形结构图
- 在服务器上安装 Ubuntu 图形界面
- Linux 查看与释放内存
- VS Code 加载 Web 视图时出错的解决方案
- 在 Linux 中软链接至其他文件或目录
- 断开 SSH 连接后继续执行任务
¶
- PyTorch Lecture 1：安装 PyTorch
- PyTorch Lecture 2：基础知识
- PyTorch Lecture 3：基础实践
- PyTorch DataLoader 加载数据
- 查看 PyTorch 是否使用 GPU
- PyTorch 查看模型结构：输出张量维度、参数个数
- PyTorch 处理二分类问题
- AlphaNet——基于深度学习的量价因子挖掘
- AlphaNet-V3——调整网络结构和预测目标
- PyTorch 基础
- 手动计算简单的反向传播算法
- 基于 Bert 的中文问答机器人
- 深入理解 GRU 及其 PyTorch 实现
- PyTorch 中的数据与模型迁移：理解 .to(device) 的使用
- 理解 PyTorch 中的 CrossEntropyLoss
- 机器生成文本检测器
- 将微调后的模型发布至 Hugging Face
- 借助 torchmetrics 的 CompositionalMetric 将越大越好的指标作为损失函数
¶
- CS50 Week 6 Python
- CS50 Week 9 Flask
- Python Multiprocessing 多进程并行计算
- 为 Python 项目生成 requirement.txt
- 在 Rmarkdown 中使用 Python
- 一行代码实现探索性数据分析
- 在 Python 中使用正则表达式替换文本
- 常用的 Conda 命令
- Python 批量修改 Markdown 文件
- 使用 joblib 实现并行计算
- 使用 selenium 爬取豆瓣小组讨论信息
- 为静态网页生成文件目录
- LeetCode 刷题记录
- K 折、随机和时间序列交叉验证的 Python 实现
- 在 pandas 中计算方差
- 在 Jupyter Notebook 中插入本地图片并导出带有图片的 PDF 文件
- 使用 tqdm 美化进度条
- 梯度下降和 MCMC 实现逻辑回归的 LASSO 形式
- pandas 中的 axis
- 修改 Jupyter Notebook 的默认 Python 解释器
- Python 实现多列滚动计算——以“更优波动率”为例
- Python 中的赋值与深浅拷贝
- Black 格式化 Python 代码
- Python 自动合并 PDF 文件
- 使用 pdb 调试代码
- LightGBM 的用法
- 利用 VS Code 代码片段提高编码效率
- 检验样本分布的正态性
- 基于 ChatGPT 的在线问答机器人
- 从零开始搭建卷积神经网络组件
- 安装 Gurobi 优化器
- Python 滚动回归
- 使用 Networkx 绘制二部图
- Dijkstra 算法求解最短路径问题
- 使用 Ruff 自动检查代码错误
- Python 内存分配
- Python 进阶教程系列 1：双下划线的魔法方法
- Python 进阶教程系列 2：装饰器
- Python 进阶教程系列 3：生成器
- Python 进阶教程系列 4：命令行参数
- Python 进阶教程系列 5：获取和修改被保护的属性
- Python 进阶教程系列 6：使用 mypy 进行类型提示
- Python 进阶教程系列 7：工厂模式
- Python 进阶教程系列 8：代理模式
- Python 进阶教程系列 9：单例模式
- Python 进阶教程系列 10：组合模式
- Python 中的类方法和静态方法
- Python 继承 Mixin 以拓展类的功能
- 使用下一个非空值的平摊值填充
- Pandas 向前与居中滚动计算
- Python @lru_cache 内置 LRU 缓存
- 使用 pyflyby 自动管理导入包
- Python 使用 * 以强制调用者使用关键字参数
- Pandas 根据日期进行分组
- Python 3.12 新特性：@override 装饰器
- 计算部分相关系数矩阵
- 在 Python 中调用在线大模型 API
- Jupyter Notebook 恢复历史执行信息与存储执行结果
- chat-data 基于大语言模型的数据分析应用
- Python argparse 解析命令行参数为布尔值
- 批量修改 Jupyter Notebook 的内容
- Python 中的 set 和 list 转换时的随机性
- Jupyter Notebook 并排显示多个 Pandas DataFrame
- JupyterLite：在浏览器中运行 Python
- Python 中的 isinstance 和 type 的区别
- 在 Python 中使用大语言模型进行文本分类
- 迁移 Conda 虚拟环境
- 对含有空值的数据使用 np.corrcoef 计算 Pearson 和 Spearman 相关系数
- 使用 pathvalidate 处理不合法的文件或路径名字符串
- 机器生成文本检测器
- 将微调后的模型发布至 Hugging Face
- 使用 blacken-docs 对文档中的 Python 代码进行格式化
- 多线程下调试 Python 代码
- Python 类型检查工具 beartype
- Python 内存剖析与优化
- 使用 np.polynomial.Polynomial 进行一元线性回归的一个注意事项
- 在 pypika 中自定义 SQL 函数
- 在 pypika 中使用 Criterion.all() 的注意事项
- 使用 papermill 运行 Jupyter Notebook
- List 列表
- Loop 循环
- NumPy 数组
- Others 其他
- Pandas 数据框
- Plot 绘图
- Print 打印
¶
- 资金曲线可视化
- Visualization of Who is who
- 在线词云图生成器
- 决策树可视化
- 使用 Networkx 绘制二部图
- matplotlib 动态绘图——神经网络训练过程可视化
- Plot 绘图
¶
- CS50 Week 7 SQL
- 使用 MapReduce 进行分布式计算
- 调试 MapReduce
- 基于 Spark RDD 的电影点评数据分析
- SQL 刷题
- 大数据技术之 HBase 和 Hive
- 在 pypika 中自定义 SQL 函数
- 在 pypika 中使用 Criterion.all() 的注意事项
- SQL 数据库
¶
- 决策树的启发函数
- 对抗过拟合：时间序列数据的交叉验证
- 多元 Logistic 回归的推导与 Python 实现
- 梯度下降法及其 Python 实现
- 最小二乘法的矩阵形式推导
- 牛顿法和拟牛顿 BFGS 法实现 Logistic 回归
- 使用 sklearn 实现决策树分类算法
- 手写基于 ID3 算法的决策树模型
- 使用 sklearn 实现随机森林分类算法
- 基于 EM 算法的多元高斯混合模型聚类及其 Python 实现
- 卷积神经网络 CNN 对 fer2013 数据集进行人脸表情识别
- 使用 Keras 绘制神经网络结构图
- 使用 sklearn 实现支持向量机分类算法
- 支持向量机软间隔最大化的对偶函数及其 KKT 条件
- 决策树可视化
- 使用 AdaBoost 进行回归预测
- AdaBoost 分类原理
- 使用 Gradient Boost Decision Tree 进行回归预测
- XGBoost
- AdaBoost、GBDT 和 XGBoost 的联系与区别
- 自定义交叉验证的样本划分方法
- K 折、随机和时间序列交叉验证的 Python 实现
- 交叉熵损失函数
- 当梯度下降陷入局部最优解
- L1、L2 正则化与贝叶斯先验
- 梯度下降和 MCMC 实现逻辑回归的 LASSO 形式
- 基于 XGBoost 的音乐流行度预测与推荐
- 线性回归的普通最小二乘估计
- 普通最小二乘估计的无偏性和一致性
- 普通最小二乘估计的方差与高斯 - 马尔可夫定理
- 普通最小二乘估计的假设条件
- LightGBM 的用法
- 使用 Conformal Learning 预测企业信贷违约情况
- Machine Learning 机器学习
¶
- PyTorch Lecture 1：安装 PyTorch
- PyTorch Lecture 2：基础知识
- PyTorch Lecture 3：基础实践
- 卷积神经网络 CNN 对 fer2013 数据集进行人脸表情识别
- 使用 Keras 绘制神经网络结构图
- Batch Normalization
- PyTorch DataLoader 加载数据
- 查看 PyTorch 是否使用 GPU
- PyTorch 查看模型结构：输出张量维度、参数个数
- PyTorch 处理二分类问题
- AlphaNet——基于深度学习的量价因子挖掘
- AlphaNet-V3——调整网络结构和预测目标
- PyTorch 基础
- 从零开始搭建卷积神经网络组件
- 神经网络中的激活函数
- 手动计算简单的反向传播算法
- 基于 Bert 的中文问答机器人
- Transformer 中的 Positional Encoding Layer
- GPT 论文精读笔记
- 基于强化学习 DQN 算法的登月着陆机器人
- 深度学习 Cheat Sheet
- matplotlib 动态绘图——神经网络训练过程可视化
- 深入理解 GRU 及其 PyTorch 实现
- 基于深度学习的中文文本错误识别与纠正模型总结
- 从 Hugging Face 下载模型文件
- 理解 PyTorch 中的 CrossEntropyLoss
- 机器生成文本检测器
- 将微调后的模型发布至 Hugging Face
¶
¶
- 梯度下降法及其 Python 实现
- 有约束的优化问题之 Lagrangian 乘子法、投影梯度算法和罚函数法
- 基于 EM 算法的多元高斯混合模型聚类及其 Python 实现
- 舍选法生成随机变量
- Box-Muller 变换法生成正态分布随机数
- 蒙特卡洛模拟的应用
- 方差缩减技术之条件期望法
- 方差分解公式
- 在 pandas 中计算方差
- 随机抽样之 MCMC 算法
- 样本方差的无偏性
- 梯度下降和 MCMC 实现逻辑回归的 LASSO 形式
- 线性回归的普通最小二乘估计
- 普通最小二乘估计的无偏性和一致性
- 普通最小二乘估计的方差与高斯 - 马尔可夫定理
- 普通最小二乘估计的假设条件
- 检验样本分布的正态性
- 多元正态分布的线性变换仍为多元正态分布
- 稀疏高维协方差矩阵的 Thresholding 估计方法
- 极大似然估计与最小均方误差的等价性
- 使用不同惩罚项的线性回归进行变量选择
- 为什么 P 值是均匀分布的？
- 多重假设检验
- Conformal Learning 求解回归问题和多标签分类问题
- 使用 Conformal Learning 预测企业信贷违约情况
- 计算部分相关系数矩阵
- 因子半衰期
¶
- 单纯形法求解线性规划问题
- 线性规划问题的对偶问题
- 安装 Gurobi 优化器
- Gurobi 求解线性规划问题
- 线性规划和对偶问题的解的情况
- Dijkstra 算法求解最短路径问题
- 饮料企业多工厂生产与补货优化
¶
- 债券计算器
- 对抗过拟合：时间序列数据的交叉验证
- 策略复现：基于市场情绪平稳度的股指期货日内交易策略
- 检验多因子模型
- 资金曲线可视化
- 最小二乘法的矩阵形式推导
- 个股研报事件策略&选股结果自动推送到微信
- 基于 qstock 实现条件选股回测
- K 折、随机和时间序列交叉验证的 Python 实现
- AlphaNet——基于深度学习的量价因子挖掘
- AlphaNet-V3——调整网络结构和预测目标
- 均值方差模型的有效前沿曲线
- Python 实现多列滚动计算——以“更优波动率”为例
- 线性回归的普通最小二乘估计
- 普通最小二乘估计的无偏性和一致性
- 普通最小二乘估计的方差与高斯 - 马尔可夫定理
- 普通最小二乘估计的假设条件
- 舆情因子和 BERT 情感分类模型
- 每月底买入行业内 PB 较低的股票：一个简单的选股策略回测
- LightGBM 的用法
- 量化投资策略设计与分析 - 因子投资
- 基于逐笔委托和逐笔成交数据构造高频因子
- 量化投资策略设计与分析 - CTA
- 量化投资策略设计与分析 - 事件驱动策略
- 量化实习工作总结
- 量化投资策略设计与分析 - 多策略
- Qlib 使用笔记
- Python 滚动回归
- 基于分钟收益率分布的高频因子
- 使用 Web Scraper 爬取私募排排网的基金数据
- Pandas 向前与居中滚动计算
- Pandas 根据日期进行分组
- 计算部分相关系数矩阵
- 因子半衰期
- 借助 torchmetrics 的 CompositionalMetric 将越大越好的指标作为损失函数