区块链研究报告汇总

今天,区块链已超越 —— 比特币背后的技术这一狭隘的概念,其去中心化的核心理念正逐步渗透至各个行业,包括:旅游、能源、房地产、金融,乃至医疗行业。区块链在不断破坏旧的利润与经济秩序同时,又不断的创造着新的利润与经济秩序。每个人都应该了解区块链概念,这一未来的新经济蓝图。跨象乘云™ 汇总了多家咨询机构的原生版(无水印)区块链报告,让你能全方位的认识这全新的领域。

同时,全球多个 IT 巨头,都已经加入超级账本(Hyperledger)—— 一个为了提高跨行业的区块链技术的开源合作项目。由Linux基金会主导的全球合作项目,包括了金融、银行、物联网、供应链、制造和科技产业的领导者。假如你对区块链开发感兴趣,可以通过下载 Docker 镜像在本地体验区块链项目开发

MIT+NVIDIA无人驾驶课程

自动驾驶汽车毫无疑问已成为深度学习与新一代人工智能最为广泛的应用之一 —— 另外还有医疗镜像分析,智慧城市,并行异构计算等。MIT 6.S094 深度学习与自动驾驶开放课程,通过构建自驾车的应用主题,介绍深度学习的实践。 尽管课程本身面向初学者开设,专为那些对机器学习不熟悉的人而设计,但它也可以使该领域的高级研究人员寻找深度学习方法及其应用的实用概述。开放课程除了提供 2017 – 2018 年课程完整的讲义与视频以外,还包含了 DeepTrafficDeepTeslaSegFuse 几个动手操作项目。你甚至可以在课程指导及模拟环境上自己动手制造一辆特斯拉自动驾驶汽车,并体验一下特斯拉驾驶室内的观感。

MIT 6.S094 课程联合了包括 Google,英伟达,丰田,亚马逊等多家新一代人工智能先锋企业合作。同时,如果你还希望对成熟的产品进行应用型学习。英伟达 NVIDIA DRIVE Platform 自动驾驶硬件平台的线上操作实验,可以让你体验如何在开放式 AI 汽车计算机平台上进行实践操作。你可以先下载实验指导手册进行快速预览。

吴恩达深度学习系列课程,笔记及代码汇总

吴恩达在 deeplearning.ai 上的《神经网络和深度学习》课程中文版已经登录网易公开课,同时,他在 Medium 上也详细发布博文介绍这套课程。对于广大深度学习与新一代人工智能初学者而言,是一大福音 —— 如果你没有人工智能(AI)的专业背景却又想要涉足 AI 行业,那么这门微专业正适合你。现如今,深度学习工程师已经成为了非常热门的职业,掌握深度学习将会为你带来大量的工作机会。甚至可以说,深度学习是一种新兴的“超能力”,它可以能让你搭建出自己的 AI 系统,而这在几年前还是令人难以想象的事情。这门课将会详尽地介绍深度学习的基本原理,而不仅仅只进行理论概述。当你完成这门微专业之后,你就能够将深度学习运用到你的个人应用中,调教出属于你自己的 AI。

同时,多位深度学习与新一代人工智能爱好者也对该课程做了详细的吴恩达《深度学习》系列课程笔记与代码分享,有助于学习者进一步理解课程内容,并在自己的系统上完成对应项目实现活动。

GitHub地址项目GitHub地址

<span style="color: #5d5d5d;">更新:《<a href="https://www.080910t.com/2018/03/07/andrew-ng-deep-learning-notes-and-code-update/">吴恩达深度学习课程笔记更新</a>》</span>

机器学习库选型

选择一个机器学习(ML)库来解决预测问题,是个说起来容易做起来难的事情 —— 可选择性太多了。每一个库对于它擅长的特定问题都有着良好的特性与优势。 即使对于在机器学习和数据科学领域具有相当经验的人来说,逐个检查所有不同的方案也是一种煎熬。Mayukh Bhaowal —— Salesforce Einstein 的产品管理总监,负责自动化机器学习;向我们分享了关于机器学习库的最重要的五个特征,科研工作者可以在决定使用哪个库时进行参考。

1.编程模式

大多数机器学习库,在高级设计模式中分为两个模式:符号式(Symbolic)和命令式(Imperative)。

  • 在符号式程序中,科研工作者可以从功能上定义复杂的数学计算,而无需实际执行。它通常采用计算图的形式。你把所有的东西放在一起,并用抽象的方式把它们连接起来,当把真值作为输入数据传进去时,它才会真正实现计算。这种模式的最大优点是可组合性和抽象性,从而使开发人员能够专注于更高层次的问题。效率是另外一大优势,因为将这些函数并行化执行相对来说容易一些。Apache Spark 的 ML 库,Spark MLlib 以及任何基于 Spark 的库,比如 Microsoft 的 MMLSpark 和 Intel 的 BigDL,都遵循这种模式。有向无环图(DAG)是计算图的表示形式。符号式编程机器学习库的其他例子有CNTK,具备静态计算图;Caffe2,使用网络结构类Net(操作符 Operator 的计算图);H2O.ai;以及Keras。
  • 在命令式编程中,一切都是先执行的。你写下一行代码,当编译器读取这行并执行它时,就会发生真实的数值计算,然后移到下一行代码。这种风格使得创建模型原型更容易,因为它往往更灵活,更容易调试,易于排除故障。 Scikit-learn 是一个流行的 Python 库,属于这个类别。其他库,如 auto sklearn 和 TPOT 是 Scikit-learn 的高阶抽象层,也遵循这种范式。 PyTorch 是另一种支持动态计算图的主流选择,动态计算图让整个计算流程是命令式的。

显然,这两种方法互有胜负,究竟选择哪种好,是随着用例不同而不同的。命令式编程非常适合研究,因为它天然支持更快速的原型设计 —— 允许重复迭代,试错和和快速反馈循环 —— 而符号式编程更适合于生产环境的应用。

有一些库结合了这两种方法,创建了一种混合风格。最好的例子是 MXNet,它允许符号式编程中的回调函数中插入命令式代码,或者把符号式编程作为命令式程序的一部分。另一个更新的发展是来自 Google 的 TensorFlow 的 Eager Execution。尽管最初,它只是一个具备符号式计算范式的 Python 库(一个张量的静态计算图),但是 Eager Execution 并不需要一个图,而且可以立即执行。

  • 符号式:Spark MLlib,MMLSpark,BigDL,CNTK,H2O.ai,Keras,Caffe2
  • 命令式:scikit-learn,auto sklearn,TPOT,PyTorch
  • 混合式:MXNet,TensorFlow

2.机器学习算法

监督学习,无监督学习,推荐系统深度学习是我们所采用的机器学习算法中常见的分类。我们需要再次强调,应用场景(用例)将决定使用哪个库最好。例如,如果科研工作者正在进行大量自定义的图像处理,如果其他条件相同的话,Caffe2 将是一个不错的选择。它是 Caffe 的进化版,Caffe 一开始把 CNN 应用于图像分类。 CNTK 将是自然语言处理的一个合理选择,因为 CNTK 框架诞生于微软的语言服务部门。另一方面,如果大多数用例是监督学习和非监督学习,Spark MLlib,scikit-learn,H2O.ai 和 MMLSpark 也都是很好的选择,因为它们支持大量的监督和非监督算法。除此之外, Spark MLlib,H2O.ai 和 Mahout 还通过提供协作过滤算法对推荐系统提供支持。

随着深度学习(DL)的兴起,许多较老的库现在已经显得力不从心。 TensorFlow 是首批向数据科学家提供深度学习的计算库之一。今天,我们还有很多其他的专注于深度学习的框架可以选择,其中包括PyTorch,Keras,MXNet,Caffe2,CNTK 和 BigDL。还有其他一些算法库支持 DL 算法,但 DL 不是它们的主要功能,比如 MMLSpark(用于图像和文本学习)和 H2O.ai(通过 Deepwater 插件提供对 DL 的支持)。

  • 有监督和无监督:Spark MLlib,scikit-learn,H2O.ai,MMLSpark,Mahout
  • 深度学习:TensorFlow,PyTorch,Caffe2(用于处理图片),Keras,MXNet,CNTK,BigDL,MMLSpark(用于处理图片和文字),H2O.ai(通过 Deepwater 插件提供支持)
  • 推荐系统:Spark MLlib,H2O.ai(通过 Sparkling Water 插件提供支持),Mahout

3.硬件和性能

计算性能是为科研项目选择合适的库的关键标准之一。这一项对于专精于 DL 算法的库更为重要,因为它们往往是计算密集型的。

推动 DL 开发的最大趋势之一是 GPU 的进步,以及 GPU 提供了对大型矩阵运算的支持。所有 DL 库(如TensorFlow,Keras,PyTorch 和 Caffe2)都支持 GPU,不过许多通用库(如 MMLSpark,H2O.ai 和Apache Mahout)也提供了对 GPU 的支持。CNTK 和 MXNet 拥有自动化多 GPU 和多服务器支持,允许用户进行快速地进行跨多个 GPU 的分布式训练,而且无需任何配置。然而,TensorFlow 由于比其他的 DL 平台计算速度慢,而得到了一些负面评价。作为一种弥补,TensorFlow 在其新的定制 AI 芯片 Tensor Processing Unit(TPU)上大肆宣传。其缺点是,TPU 是非商品化的硬件,只能与 TensorFlow 一起工作,这导致了供应商锁定的现象。

Caffe2,MXNet 和 TensorFlow 同时也因对移动计算支持而脱颖而出。所以,如果科研项目需要在移动设备上进行机器学习训练,那它们就会是你最好的选择。

关于性能方面值得一提的是,大部分基于 Spark 构建的库都能够依靠内存缓存中间数据,靠这一点利用Spark 进行并行集群计算,使本质上需要『迭代』的机器学习算法运行得更快。 Apache Mahout 是一个例外,它直到最近才支持 Hadoop MapReduce,并且要进行对计算而言开销很大的磁盘 I / O 操作,因此它对于迭代算法来说速度较慢。 Mahout 现在在 Spark,H2O.ai 和 Apache Flink 上增加了对Scala语言的支持。 BigDL 在Spark 的生态系统中使用 CPU 实现 DL 的方法是一种新颖的方式,与传统的利用 GPU 加速的 DL 库有所不同,BigDL 使用英特尔的 MKL 和多线程编程。

  • CPU:Spark MLlib,scikit-learn,auto sklearn,TPOT,BigDL
  • GPU:Keras,PyTorch,Caffe2,MMLSpark,H2O.ai,Mahout,CNTK,MXNet,TensorFlow
  • 移动计算:MXNet,TensorFlow,Caffe2

4.可读性

ML 软件与传统软件的区别在于,其预测行为本身或产出的结果不是那么可预期的。与基于规则的引擎不同,这种软件能不断学习到新的规则。深度学习面临的最大挑战之一,是如何持续不断地建立对机器学习应用的信任和信心。为什么预测影响因子 X 有更高的可能性转化客户,而影响因子 Y 在转化率方面引入的可能性较低?数据集中驱动算法进行某些预测的数据模式是什么?我们能否将机器学习模型的这种洞察力转化为商业行动?

对这个问题的其他衍生问题包括,计算图执行时对算法评价指标的可视化,观察数据流并对它们进行优化,手工模型和/或调试模型质量。

这是一个在机器学习中相对不成熟的领域,只有少数库试图解决这个问题。 H2O.ai 推出了机器学习可解释性,解决了这个问题的某些方面。 TensorFlow 有一个称为 TensorBoard 的可视化工具,它帮助数据科学家理解、优化和调试大量的深度神经网络。Keras 也通过其自身的模型可视化解决了这个问题。

虽然这些都是朝着正确方向的很好的步骤,但是为了鼓励 ML 被更广泛的接纳,可解释性领域还需要我们投注更多的新学,让机器学习更加透明,减少它的黑盒性。

  • 可读性:TensorFlow(TensorBoard),H2O.ai(机器学习可解释性),Keras(模型可视化)

5.自动化机器学习

可以这样说:机器学习中最大的创新领域之一,就是自动化的机器学习。真实世界中的机器学习不仅仅是构建模型,还涉及到构造数据管线,其中包括 ETL,特征工程,特征选择,模型选择(包括超参数调优),模型更新和模型部署。

工作流程中的许多步骤在各种应用和数据集处理中都是通用的,并且往往有重复的倾向,这就意味着存在对流程进行优化和自动化的机会。除此以外,某些工作流程特别需要数据科学和机器学习方面的直觉和领域知识,比如特征工程或深度模型调优。这些领域对于无法获得博士学位的人来说难以进入。实现许多步骤的自动化,可以加快数据科学家的工作效率,能够帮助他们在几个小时而不是几个月内帮助构建机器学习应用。

Auto sklearn,TPOT 和 H2O.ai 就是建立在这个前提下的,而且针对的是有监督分类问题。Auto sklearn 使用了贝叶斯优化进行自动化模型选择和超参调整。 TPOT 正在使用遗传算法编程进行超参调整。 TPOT 和 H2O.ai 都包含了几种不同级别的特征工程自动化。 MMLSpark 针对图像和文本的特征,具备自动化模型选择,以及一定程度的自动化特征工程。

无论是从广度(数据管线中的不同阶段自动化)还是深度(单一一个数据处理阶段上的智能自动化)上,这类工具可以说是供不应求。

  • 超参数调整:auto sklearn(贝叶斯优化),TPOT(遗传编程)
  • 有限的自动特征工程:TPOT,H2O.ai,MMLSpark

其他注意事项

尽管机器学习模型在可用前需要在数据集上进行训练,但是在某些情况下,我们可以访问全球通用的数据集。比如,像 ImageNet 这种通用图像数据集,完全足够用于建立一个通用的图像分类模型,这也被称为预训练的模型。这样的模型可以作为插件来引入,这意味着不需要数据或者训练。 MMLSpark,CNTK,TensorFlow,PyTorch,Keras 和 BigDL 都为通用分类任务提供预训练的模型。值得注意的是,这样的模型对于定制化用例是没有用的。

例如,一个通用的图像分类模型,如果需要从作物田地的航拍图像中对农作物的类型进行分类的话,效果就会很差,但是它能很好地将猫与狗分类。这是因为,尽管 ImageNet 中存在农作物相关的图像,但是对于特定种类的作物,以及患上不同疾病的作物的训练数据是不足的,而那些数据可能刚好是化肥公司所关心的。

CNTK 附带一些方便的功能,如数据集自动化随机提取,以及实时在线训练。尽管 MMLSpark 是一个Scala 库,但它支持自动生成其他语言,也就是 PythonR 的接口。

  • 预训练模型:MMLSpark,CNTK,TensorFlow,PyTorch,Keras,BigDL
  • 实时培训:CNTK
  • 多语言支持:MMLSpark 支持从Scala自动生成 Python / R 的接口

小结

将 ML 构建到科学研究项目中时,有多种 ML 库供科研工作者选择。尽管可能没有一个完美的选择,但考虑上述因素,有助于确保科研项目的特定需求选择最佳解决方案。对于拥有数千家企业客户的企业公司来说,还有许多市场尚未涉足的其他挑战 ——

标签泄漏,也被称为数据泄漏,一直是 ML 库的致命弱点。这一点的发生是由于存在未知的业务流程,导致用于模型训练的数据集具有代表实际标签的字段。检查数据是否存在泄漏,并将泄露的字段从数据中删除是得到理想模型的关键。

多租户是另一个关键点 —— 我们如何共享机器学习平台和资源,为多个用户提供服务,每个用户都有自己独特的数据集,并导致完全不同的模型被训练?随着数据/模型规模的不同,这个问题也不同。随着行业继续面临这样的挑战,一个完整、详尽开发的自动 ML 解决方案,虽然现在暂时不存在,在将来可能被证明是成功的关键。

《中国人工智能产业数据报告》- 2018.02

人工智能(Artificial Intelligence)是全球 2017 年信息通信领域的最大热点,远高于物联网、5G、安全与隐私、区块链等。为此,中国信息通信研究院(CAICT),正式发布《中国信通院数据研究系列 —— 2017 年中国人工智能产业数据报告》(2018 年 2 月)版。从全球人工智能技术关注点来看 —— 新闻热度最高的是:人工智能算法及平台、智能驾驶和计算机视觉三大领域;而语音、自然语言处理(NLP)领域随着智能音箱等产品涌现热度提升很快。

跨象乘云™ 提供报告全文原版 PDF 下载。

欧盟开放数据门户数据清洗教程

数据清洗,是数据科学工程中性价比最低的一个环节 —— 占用时间及工作量极大,然而输出价值却不高。同时,数据清洗对于整个工程项目而言却非常重要,未经清洗的数据很可能导致错误的分析结论。尽管 Python,R,以及大部分机器学习工具都能实现数据清洗功能,也有技术书籍介绍如何实现 —— 然而,由于都是基于代码操作,读取数据并不直观,因此效率并不高。

最为全球最大的政府开放数据网站 —— 欧盟开放数据门户网站针对开放数据提供了一系列的在线课程,通过简洁的文字与视频,概要性的向用户介绍数据科学与开放数据的各个主要环节。其中一节便着重介绍数据清洗的重要性,以及如何实现数据清洗的在线教程,以便用户更好的应用从网站上下载回来的数据。最后,教程还提供了一份简单实验操作指导,通过三份真实的数据集,使用数据清洗神器:Open Refine 完成数据清洗。

数据清洗由于性价比较低,国外数据公司倾向通过外包的方式提供给专门的数据清洗第三方服务提供商完成。目前,由于种种原因,国内尚未形成成熟的数据清洗外包服务体系;而企业的数据清洗需求将日益增多。对于国内大专、高职大数据专业学院而言,正好借助这一机会,接收数据清洗外包项目,在校内建立数据清洗外包基地。一方面企业对高校具有天然的信任感,另一方面,将能为学生提供大量的项目实习机会。

跨象乘云的课程:《数据预处理与数据整理》(32学时)的定位,便是是将完整的数据清洗工程流程及项目实战嵌入高校人才培养计划,让学生掌握强大的数据预处理和数据整理工具,而且不局限与计算机专业学生使用,实现对大数据预处理与数据整理标准化流程的认知,掌握,以及扩展。让学生全面并深入了解对凌乱数据进行数据预处理,数据整理,数据清洗,数据归类透视,数据库关联查询,以及基于Web服务实现数据扩展处理等各项关键技术。

Python智能家居开源平台:Home Assistant

Home Assistant 是一款在 Python 3 上运行的家庭自动化平台。能够跟踪和控制家庭中的所有设备,并提供自动化控制平台。Home Assistant 有一个简单的、适合移动设备的界面来控制你的所有设备,且不会将任何数据存储在云端,以保护个人隐私。

Home Assistant 可以连接各种家庭智能设备 —— 灯、开关、门、风扇、响铃、温湿度计、音响、安防监控设备、智能电表等等,将它们纳入智能系统,集中控制设备并追踪它们的状态,并让它们互相联系。这使得用户可以在单个界面上控制各个不同厂家的不同智能设备,而不是通过不同 App 或其他接口,也为家庭自动化提供了巨大的可能性。同时,这个网站还提供了详细的中文支持文档。

GitHub地址项目GitHub地址

Sci-Hub发布桌面版3.0

Sci-Hub 是俄罗斯的一个能免费下载科研文献全文的网站,然而,由于知识产权原因经常无法访问。最近,Sci-Hub 发布了 3.0 桌面版,只需要输入论文的 URL / DOI / PubMed 号,便能实现全文下载。

这里有一篇详细的 Sci-Hub 教程可供参考。

Sci-Hub 唯一官方下载地址依旧为百度盘:https://pan.baidu.com/s/1kVb2pJh

同时,官方接受比特币捐献:1K4t2vSBSS2xFjZ6PofYnbgZewjeqbG1TM

启程R语言之旅

R 语言是结合了 S 编程语言的计算环境,可用于实现对数据的编程;它有很强大的数值分析工具,对于处理线性代数、微分方程和随机学的问题非常有用。通过一系列内建函数和库,你可以用 R 语言学习数据可视化,特别是它还有很多图形前端。同时,R 语言最近刚刚拥有了 TensorFlow 接口,目前最好的 R 语言版本是 R Studio,其优点在于:

  • R 很灵活;
  • R 很强大;
  • R 不仅是个统计计算工具包,它还是一门编程语言;
  • R 可以针对问题的形式设计程序;
  • R 可以高效地处理和存储数据。

R 语言的代码通用性较好,微调任务后只需要再微调代码就可以直接应用。Vihar Kurama 的这篇教程,能让你快速开始 R 语言的学习旅程,执行入门 R 语言的一系列过程,包括:

  • R 安装
  • R Studio 应用
  • R 交互使用
  • R 基本命令
  • R 变量定义
  • R 数据类型
  • R 算术运算
  • R 数据结构
  • R 程序控制
  • R 函数
  • R 数据可视化

选择合适的 CRAN 镜像,下载并安装 R 语言环境,便能执行教程所有代码,完成入门训练:

GitHub地址项目GitHub地址

概率编程预测虚拟货币价格

Alex Honchar 在 Medium 上曾发布了一些列使用神经网络进行交易算法的金融预测教程,包括:

  1. 简单时间序列预测
  2. 正确一维时间序列预测+回测
  3. 多元时间序列预测
  4. 波动预测和自定义损失
  5. 多任务和多模式学习
  6. 超参数优化
  7. 用神经网络进行经典策略强化

有一部分结果十分值得在实际交易中加以应用。同时,随着人工智能技术的普及,用机器学习预测市场价格波动的方法最近层出不穷。然而,当你试图将一些机器学习模型应用于「随机」数据并希望从中找到隐藏规律的时候,训练过程往往会产生严重的过拟合。这次,Alex Honchar 介绍了利用概率编程和 Pyro 进行价格预测的方法,相较于常规神经网络,新方法对于数据的依赖程度更小,结果更准确。使用概率的观点看待这个问题能够让我们从数据本身学习正则化、估计预测结果的确定性、使用更少的数据进行训练,还能在模型中引入额外的概率依赖关系。在实验中,Alex Honchar 选择了最近流行的虚拟货币「以太币」作为实例进行价格预测,并且需要一下的 Python 库支持:

最后,全部的深度交易代码,可以在下面的链接中找到:

GitHub地址项目GitHub地址

EXCEL演示深度神经网络

卷积神经网络(CNN)经常被用于图像识别、语音处理等领域,是新一代人工智能近年来快速发展的重要组成部分;同时,对于入门人士来说,我们似乎难以理解其中的原理。Blake West 向我们介绍了一种简单的使用 Excel/ Google Sheets 等电子表格实现卷积神经网络的方法。通过更为直观的方式来理解卷积神经网络算法。

扩展阅读:想要实现深度神经网络?一张 Excel 表格就够了

RStudio发布官方TensorFlow接口

继 Python 大举向深度学习框架 TensorFlow 靠拢时,R 语言似乎一直处于落后的位置。日前,RStudio 博客终于发文,称其已开发出适合 R 语言用户的 TensorFlow 接口,R 语言的用户也可以方便地使用 TensorFlow 了。博客还介绍了接口中的包、工具,以及学习资源等,用户可以通过 TensorFlow for R 门户来访问相关资源。TensorFlow 作为开源的机器智能软件库,已逐步成为新一代人工智能的事实标准。RStudio 发布的到 TensorFlow 的 R 接口,通过高层的 Keras 与 Estimator APIs,使用户能完全控制并访问 TensorFlow 核心 API

虽然 TensorFlow 和深度学习在图像识别、语音识别等领域里已经有了令人瞩目的成果,但它在一些其他领域:如生物医疗和时序分析中仍然没有得到广泛应用。随着 TensorFlow 中 R 语言接口的全面推出,更多的可能性已经出现。

科研神器:Endnote教程

Endnote 是目前最受欢迎的文献管理软件,最初由汤姆森路透发布。这款软件是文献管理软件中的佼佼者,在英文文献管理方面远胜于中文文献管理软件 NoteExpress 和 CNKI E Learning。Endnote 通过将不同来源的文献信息资料下载到本地,建立本地数据库,可以方便的对文献信息进行管理和使用。而由于软件本身是英文开发,科研动力特别提供了 Endnote X7.1 帮助文件的中文翻译,为大家提供一个全面的 EndNote 使用方法中文教程。此前,小木虫也提供了相关培训课程

Python金融工程领域应用项目

跨象乘云汇总了 2017 年 Python 在金融工程领域应用中的各个最佳实践项目案例:

首先,你需要了解如何使用 Python 与常见的数据表打交道。DataCamp 上的教程:Python Excel Tutorial: The Definitive Guide,让你了解如何使用 Python 读取和导入 Excel 文件,如何将数据写入这些电子表格;或者与 Google Sheets 协同工作。

同时,如何通过 NumpyPandasMatplotlibQuantopianFinance 等,学习 Python 在金融交易领域的算法应用? DataCamp 的教程:Python For Finance: Algorithmic Trading,是一份很理想的将 Python 应用于财务分析与金融交易算法的入门指引。当然,你需要先了解基础的股票价格及相关金融数据

最近极其火爆的数字货币市场,究竟是如何表现?加密货币价值突然出现高峰和低谷的原因是什么?不同电子代币市场是不可分割的或基本独立的? 我们如何预测接下来会发生什么?Analyzing Cryptocurrency Markets Using Python,将简单地介绍如何使用 Python 来分析加密货币。通过一个简单的 Python 脚本来检索,分析和可视化不同加密货币上的数据。在这个过程中,文章还将揭示这些波动剧烈的市场行为以及一个有趣的演变趋势。

毫无疑问,区块链这项新颖的技术是计算的奇迹。区块链技术的出现引发了新的全数字货币,如比特币和莱特币,而这些货币并非由中央当局发行或管理。区块链也以 Ethereum 这样的技术形式革命化了分布式计算,并引入了智能合约等有趣的概念。要学习区块链技术,最好的方法,无疑是自己亲手建立一个区块链:Learn Blockchains by Building One,将会帮助你学习并理解区块链的工作原理。通过这篇教程,你将学习到一个功能强大的区块链,并掌握它们的工作流程。如果你觉得太复杂,你可以试试用少于 50 行的代码(Python2)来创建一个最简单、最小的区块链