本文将介绍命名实体识别的一些方法，在自然语言中使用十分广泛。条件随机场(CRF)首先我们就介绍CRF的方式进行命名实体识别，CRF与HMM模型十分相似，如果不了解HMM模型的可以看自然语言处理之分词看我之前的一个讲分词的文章。

动态规划这东西呀，还是需要多多练习的。数字 n 代表生成括号的对数，请你设计一个函数，用于能够生成所有可能的并且 有效的 括号组合。 当 n=3的时候，输出是这个样子的out=["((()))","(()())","(())()","()(())","()()(

我们先来了解因子是什么呢？当我们选择一个股票的时候，能够帮助你决定的一个因素就是一个因子。这里举一个例子，真正影响一个股票的价格的因子是各种各样的，包括基本面，消息面以及政策因素甚至包括分析师预测和预期等等。那么对于国内的A股来说能够长期表现出色的因子有哪些呢？国模因子：小市值因子无论是A股还是港股，小市值因子一直存在，并且小市值因子逻辑十分简单易懂。市值越小，其操作涨幅说需要的资金越小，股票被操

今天咱们就开始聊一个新的领域，在金融领域量化交易不在是一个新鲜名词，今天有时间我们就来看看量化交易股市这些比较敏感的词汇。回测这个其实很好理解，就是加入你有一个买入卖出的策略，那怎么感知到你的策略的有效性呢？ 在做私募的领域经常要给别人看你的曲线，所谓的曲线就是你的收益曲线，你能在高点套现在低点买入吗？ 这就是金融行业的灵魂拷问。而所谓的回测就是说你的策略既定的情况下。给你既定的时间，你的收益周期

今天我们来介绍一种比较特殊的网络，孪生神经网络。这也是实现元学习的一种常见的方式。我们先来抛出一个问题，目前市面上人脸识别的应用十分多，那么它们是怎么做到的呢？如果让你来做一个人脸识别的应用，你怎么来实现这个算法呢？第一时间你的的想法是不是老子搞它每个人N多的数据集，然后弄个M分类，这样每次就变成一个图片识别的任务，easy。想想其实也是可以的，但是似乎不太符合时间，哪里弄来这么多的人的样本呢？话

终身学习什么是终身学习呢？ 其实就是当一个模型学会了任务A，当学习任务B的时候不会忘记任务A，这个时候你可能会有个问题，我们重新训练一个模型可以吗？ 当然可以，只不过这样的模型没有

今天我们来介绍经典的元学习方法MAML算法，首先我们需要明确MAML算法是用来做什么的呢？其实它主要是解决我们模型参数初始化的问题的，一个好的初始化是可以让我们快速达到全局最优并且训练成本也会骤降的，那么我们来看看MAML算法是怎么做的把？算法讲解这个算法的伪代码十分简单，咱们就对着源代码看看它的训练过程和使用方法。下面就是这个算法的伪代码啦。这里重要的部分分别是4到7行和第8行，双重梯度的思路。

本文我们来介绍一个度量学习方式，取材于论文Learning to Compare: Relation Network for Few-Shot Learning。数据集合度量学习中，数据集不仅仅是我们监督学习的中的训练集合测试集的概念，那我们就来介绍他的数据集。训练集： 和普通的训练集一致，这里存放大量级别带有标签的数据。支撑集合：支撑集合也是带有标签的数据，但是数量量比较小，并且支撑集合的类别与

本章咱们就不介绍一篇论文这么枯燥啦，由于元学习和AutoML学习经常会被弄混，所以本章主要就聊聊这两种学习方式的异同点。早期的时候这两种学习方式确实是比较相近的，甚至有一些争议，最近的研究中这这两种学习方式也开始越来越清晰。元学习是解决对于未知类别的识别上，而AutoML的目标是如何自动化的构建网络参数和网络形状等等。所以二者的目标已经被却分好啦。元学习之前咱们已经介绍了两个算法啦，下面咱们就好好

本章节中我们来介绍一个具有适应能力的神经网络学习框架CSN，接下来咱们就来看看这个网络是如何学习的。网络整体架构上面这个图是整个学习框架的整体架构，接下来我们来一点一点的讲解其中的细节。假设我们一大批数据的训练任务已经训练好，突然来了一个新的任务，怎么把我们已经训练好的网络进行一定的复用快速的应用到新任务呢？这就是本文一个要解决的问题。$$\begin{cases}\begin{align}\en

从本章节开始我们准备进入一个新的领域进行学习，元学习（meta learning），听起来是不是屌屌的，确实是这样，这里我们不得不总结一下之前咱们介绍各种的学习方法，包括经典的学习方法和神经网络的学习方法，毫不意外的它们有一个共同且残酷的名字(Weak AI)，是的凡是针对一个特定的一个领域进行学习的，都可以称之为弱学习器。而本章节的介绍的一系列建模方法它们学习的方式和角度与之前的学习方法会有很大

上篇文章咱们介绍了Qlearning，这个时候正好我们就机会来详细看看DQN的学习方式，同样的之前的章节中我们介绍了DQN的原理，但是没有一个特别好的例子，本节咱们就来补上这一块。DQN的使用场景就是我们发现使用Qlearning能够在离散状态空间下解决任何强化学习问题，但是如果状态空间是无限的或者是连续的怎么办呢？ DQN的核心思路是将原有的离散状态空间表示为一个函数f。$$f(s,a)=Q(s