在本节中，我们将讨论如何在对学生一无所知的情况下，例如入学的新生，转学过来的学生，利用我们上一节中讲到的基于深度学习的推荐系统，给学生推荐适合的题目。所有推荐系统，比较难解决的问题就是冷启动问题，就是在系统运行初期，没有学生做练习题目的数据，而我们要推荐的话，这些数据是必须的。通常解决方法是找一批种子用户，让他们来做这些题目，然后我们根据学习做题正确情况，所用时间等信息，给出学生对题目的需要程..

在上一篇博文中，我们介绍了长短时记忆网络的基本概念，在这一节中，我们将以长短时记忆网络（LSTM）为例，讲解深度学习算法在股票价预测中的应用。我们要分析的数据如下所示：各列依次为：股票代码、日期、开盘价、收盘价、最低、最高、交易量、金额、涨跌幅、第二天的最高价。我们首先读入训练样本集，代码如下所示：import numpy as npimport pandas as pdimport...

在这一节中，我们将先向大家介绍长短时记忆网络（LSTM），然后详细讲解怎样使用长短时记忆网络（LSTM）来预测股票价格，为了避免人为因素干拢，我们还以上证综指为例来进行说明。长短时记忆网络（LSTM）股票交易数据是一种典型的时序信号，需要处理较长的时间序列，有时为了准确的进行股票价格预测，可能会需要看几周甚至几个月的历史数据，如果采用普通的多层感知器模型的话，那么要求输入层维度就非常大，整个网..

卷积神经网络（CNN）主要特性有：稀疏连接和权值共享、卷积操作、池化。在前一篇博文中我们已经讨论了稀疏连接和权值共享，在本篇博文中，我们将介绍卷积操作和池化。正是由于对图像进行卷积操作，卷积神经网络才得以其名，可见卷积操作是其核心。在这篇博文中，我们将讨论卷积操作的实现其及物理含义。

在本节中，我们将讨论如何在对学生一无所知的情况下，例如入学的新生，转学过来的学生，利用我们上一节中讲到的基于深度学习的推荐系统，给学生推荐适合的题目。所有推荐系统，比较难解决的问题就是冷启动问题，就是在系统运行初期，没有学生做练习题目的数据，而我们要推荐的话，这些数据是必须的。通常解决方法是找一批种子用户，让他们来做这些题目，然后我们根据学习做题正确情况，所用时间等信息，给出学生对题目的需要程..

在本节中，我们将讨论如何在对学生一无所知的情况下，例如入学的新生，转学过来的学生，利用我们上一节中讲到的基于深度学习的推荐系统，给学生推荐适合的题目。所有推荐系统，比较难解决的问题就是冷启动问题，就是在系统运行初期，没有学生做练习题目的数据，而我们要推荐的话，这些数据是必须的。通常解决方法是找一批种子用户，让他们来做这些题目，然后我们根据学习做题正确情况，所用时间等信息，给出学生对题目的需要程..

深度强化元学习是近期深度学习技术的一个另人瞩目的新兴领域，其利用元学习，解决了深度学习需要大数据集的问题，以及强化学习收敛慢的问题。同时元学习还可以适用于环境不断改变的应用场景，具有巨大的应用前景。元学习概述元学习简介提到元学习，我们通常想到Few-Shot Learning、One-Shot Learning、Zero-Shot Learning，其实这些都是K-Shot Learning...

在前面几节中，我们向大家介绍了基于深度学习的推荐系统的数学原理，在这一节中，我们讨论怎样使用TensorFlow来实现这些数学原理。我们知道，TensorFlow对于深度学习算法的实现有很多资料参考，但是我们前面介绍的推荐系统，与一般的深度学习网络有很大的不同，属于Matrix Factorization的一种，所以在具体实现中，需要对TensorFlow有一个较为深入的了解，才能写出一个较好的解

在上一篇博文中，我们介绍了长短时记忆网络的基本概念，在这一节中，我们将以长短时记忆网络（LSTM）为例，讲解深度学习算法在股票价预测中的应用。我们要分析的数据如下所示：各列依次为：股票代码、日期、开盘价、收盘价、最低、最高、交易量、金额、涨跌幅、第二天的最高价。我们首先读入训练样本集，代码如下所示：import numpy as npimport pandas as pdimport...

在这一节中，我们将先向大家介绍长短时记忆网络（LSTM），然后详细讲解怎样使用长短时记忆网络（LSTM）来预测股票价格，为了避免人为因素干拢，我们还以上证综指为例来进行说明。长短时记忆网络（LSTM）股票交易数据是一种典型的时序信号，需要处理较长的时间序列，有时为了准确的进行股票价格预测，可能会需要看几周甚至几个月的历史数据，如果采用普通的多层感知器模型的话，那么要求输入层维度就非常大，整个网..