心内求法

数据演变信息(evolution)的可视化，是为了观察同一特征变量在不同时间的值。

支持向量机（SVM）是一系列可用于分类、回归和异常值检测的有监督学习方法。本文讨论 SVM 在分类问题上的应用。

数据可视化，是为了展示数据的内在特征，或者数据之间的关系。通常，数据探索最先的步骤就是观察特征数据的分布情况(distribution)。

对于连续变量，可以:

• 直接绘制1维散点图
• 绘制箱线图/提琴图，观察总体情况
• 观察直方图/密度曲线

对于分类变量，可以观察用条形/柱状图观察每个类别出现的次数/频度。

逻辑回归(logistic regression)，虽然本质上属于广义线性回归，
但是因变量Y是离散值，一般用来解决分类问题。

与其他分类方法相比，逻辑回归对于每一个输出的对象都有一个对应类别的概率。

逻辑回归算法本质上是回归，即是通过一系列特征数据回归出某种情况出现的概率。
在此基础上再引入了逻辑函数，就可以用来分类。

从机器学习的角度，线性回归是回归问题中最简单的模型。回归问题属于监督式机器学习。

分类问题是机器学习中的一种常见问题。
在机器学习领域，有很多分类算法。而神经网络的优势在于：几乎可以实现任意复杂的分类边界，无误差地实现训练集上的分类^3。

由于神经网络的拟合能力很强大，常常容易产生过拟合，所以需要进行相应的处理。
而且，神经网络的可解释性往往是个非常大的难题。

本文主要参考74行代码实现手写数字识别，
但是没有采用Michael Nielsen的neural-networks-and-deep-learning代码，而是直接使用scikit-learn的MLPClassifier(Multi-layer Perceptron Classifier, 多层感知机分类器)。
数据来自著名的MNIST数据集。

思考设计量化交易系统的订单(Order)时，要考虑的因素。并给出一个概念模型。

众所周知，在windows下面使用有些工具等于自虐，比如python, nodejs, pandoc …
所以，在windows下面，使用markdown写文档变成了一种非常不好的体验。

偏偏有时候又不得不使用windows。比如单位的某上网助手软件，只有windows版本。

幸好有了docker。

对于熟悉markdown的人来说，用gitbook写电子书是很自然的选择。当然，sphinx也非常不错。