前一章节，已作随机森林来预测股票价格，也是一种比较常见的方法，本章基于深度学习算法来处理时间序列，来预测股票未来的价格。LSTM是一种特殊类型的循环神经网络（RNN），在自然语言处理和时间序列数据分析等任务中取得了显著成果。LSTM通过处理序列数据中的长期依赖关系，能够更好地捕捉时间序列数据的特征和模式。这使得它成为预测股票价格这类时间相关数据的有力工具。关于LSTM 在之前的文章中也略作介绍。我

本文为kaggle机器学习中级课程 第四部分 Pipelines --A critical skill for deploying (and even testing) complex models with pre-processing.在本教程中，您将了解什么是管道，学习如何使用管道来优化建模代码。

本文为kaggle 深度学习初级课程 第四部分 Overfitting and Underfitting--Improve performance with extra capacity or early stopping.在本课中，我们将学习如何解释这些学习曲线，以及如何使用它们来指导模型开发。特别是，我们将检查学习曲线，寻找拟合不足和拟合过度的证据，并查看几种纠正策略。

本文为kaggle机器学习中级课程 第二部分 Missing ValuesMissing values happen.Be prepared for this common challenge in real datasets.缺失值的发生，为现实数据集中的这一常见挑战做好准备。本教程中，您将学习三种处理缺失值的方法。然后，您将在真实数据集上比较这些方法的有效性。

将下载的A股K线数据本地化，通过数据库方式进行保存。

有位小伙伴找我，说想学量化，我说欢迎一起学，我问他目的，他说“ 想炒股赚钱”，“那你会什么？”，“我会编程！”，其实有这两点就够了。其实量化是有门槛的，需要掌握一些基本的知识，如数学知识，金融知识，财务知识，同时也要具有一定的编程能力。本人作为一个编程爱好者，来学习量化，本人认为 “**有赚钱的动力和编程的能力**”。这一篇作为量化交易学习的开篇，计划从以下几方面来学习，如涉及到软件安装，不会做专

本文为kaggle机器学习中级课程 第六部分XGBoost--The most accurate modeling technique for structured data.在本教程中，您将学习如何使用渐变增强构建和优化模型。该方法在许多Kaggle竞赛中占据主导地位，并在各种数据集上获得最先进的结果。

本文以上证50为标的，采用财务等多因子建立线性回归建模，并根据这个结果，以历史数据此进行回测验证，并提供完整的回测代码，得到不错的效果，为实现实际的策略制定提供一种思路。

本文 Keras 入门教程第六部分，本节使用预训练模型（包括- ResNetVGG16、MobileNet、InceptionResNetV3），使用一般的流程，来预测判定图片的分类。

排列重要性非常重要，因为它创建了简单的数字度量来查看哪些特征对模型重要。这有助于我们轻松地比较特性，并且您可以向非技术人员展示结果图。但它并没有告诉你每个特性的重要性。如果一个特征具有中等排列重要性，那可能意味着它具有中等排列重要性对一些预测有很大影响，但总体上没有影响，或者所有预测的中等效应SHAP总结图可以让我们鸟瞰特征的重要性和驱动因素。我们将浏览一个足球数据的示例图：这张图由许多点组成。垂