知识图谱

　　 编辑：魔王、陈萍 　　 本文介绍了 TCN 在股市趋势预测任务中的应用，表明在集成新闻事件和知识图谱后，TCN 的性能大幅超过 RNN。 　　本文主要介绍了以下几部分内容： 　　1. 金融时间序列（FTS）中的深度学习背景介绍； 　　2. 值得关注的 FTS 数据处理实践； 　　3. 时间卷积网络（TCN）； 　　4. 时间卷积网络在 FTS 中的应用实例； 　　5. 基于 TCN 的知识驱动股市趋势预测与解释。 　　 1. 背景介绍 　　金融时间序列（FTS）建模历史悠久，20 世纪 70 年代初它首次革新了算法交易。FTS 分析包括两类：基础分析和技术分析。但这两种分析方法都受到有效市场假说（EMH）的质疑。 　　自 1970 年提出以来，EMH 一直备受争议，它假设股价最终是不可预测的。但这并没有限制如下研究：通过使用线性、非线性和基于 ML 的模型进行 FTS 建模。 　　由于金融时间序列具有非平稳、非线性、高噪声的特点，因此传统的统计模型很难准确地预测它们。近年来，越来越多的研究开始尝试将深度学习应用于股市预测，虽然还远远不够完善。例如： 　　 2013 年 　　Lin 等人在论文《An SVM-based approach for stock market trend prediction》中提出一种基于支持向量机的股票预测方法，建立两部分特征选择和预测模型

目前，作为深度学习的代表算法之一，卷积神经网络（Convolutional Neural Networks，CNN）在计算机视觉、分类等领域上，都取得了当前最好的效果。 后来，基于深度神经网络和搜索树的智能机器人“AlphaGo”在围棋上击败了人类，这是CNN 给人们的一个大大的惊喜。一年后的 Master 则更是完虐了所有人类围棋高手，达到神一般的境界，人类棋手毫无胜机。 可以说，卷积神经网络是深度学习算法应用最成功的领域之一。 目前，CNN应用也十分广泛。例如Facebook用它进行自动的图像标签，google用它做照片检索，amazon用它做产品推荐，Pinterest用它做个性化家庭定制推送，Instagram用它搭建他们的搜索架构。 那么，基于CNN最经典也是最流行的应用应当是图像处理领域。 而研读卷积神经网络的经典论文，对于学习和研究卷积神经网络必不可缺。 今天，给大家推荐一些资料，有 论文、知识图谱。 7份经典学术论文 这些论文大部分都发表在计算机视觉顶级学术会议上。 这7份论文资料，100p以上的内容体量。 建议收藏学习。 01 resnet 02 CNN 03 batchnorm 04 alexnet 05 visualzing 06 resnet 07 yolo4 目前， 2000+ 的看过这个论文资料的同学都顺利成为各公司算法工程师。大家扫码添即可领取

无论什么级别的Java从业者，JVM都是进阶时必须迈过的坎 。 不管是工作还是面试中，JVM都是必考题。 如果不懂JVM的话，薪酬会非常吃亏（ 近70%的面试者挂在JVM上了 ）。 掌握了JVM机制，就等于学会了深层次解决问题的方法 。 对于Java开发者而言，只有熟悉底层虚拟机的运行机制，才能通过JVM日志深入到字节码的层 次去分析排查问题，发现隐性的系统缺陷，进而提升系统性能。 一些技术人员开发工具用得很熟练，触及JVM问题时却是模棱两可，甚至连内存模型和内存区 域， HotSpot和JVM规范，都混淆不清 。 工作很长时间，在生产时还在用缺省参数来直接启动，以致系统运行时出现性能、稳定性等问 题时束手无措，不知该如何追踪排查。久而久之，这对自己的职业成长是极为不利的。 掌握JVM，是深入Java技术栈的必经之路 。 JVM知识图谱概述 想要深度理解JVM，需要有一个具体可行的学习知识图谱。应该先从基础结构，再深入其执行 原理，最后才能掌握JVM调优、并发等高阶技巧。 深入理解Java虚拟机 由于篇幅有限，无法将内容全部展示出来，此书籍小编已经整理为pdf文档了 . 收集了各方面的，当前公司的，还有自己收集总结的，下面的图片截取的有pdf，有如果有需要的自取. 各大公司面试题集合： 简历模板： 链接： https://pan.baidu.com/s

作者 | 刘焕勇 责编 | 李雪敬 出品 | CSDN博客 Cognitive Inference Cognitive Inference，认知推理、常识知识库、常识推理与常识推理评估的系统项目，以现有国内外已有的常识知识库为研究对象，从常识知识库资源建设和常识推理测试评估两个方面出发进行整理，并结合自己近几年来在逻辑性推理知识库的构建、应用以及理论思考进行介绍。具体包括已有常识知识库项目资源介绍、逻辑推理类知识库的项目实践集合、常识推理测试评估项目集合。 项目地址 ： https://github.com/liuhuanyong/CognitiveInference/ 项目介绍 常识推理是人工智能的高级阶段，基于已有知识，运用知识推理机技术，完成限定领域决策行为，能够在充分减少人为劳动的同时，产生经济效益。例如，基于已知知识进行知识推理，采用如事件驱动传导路径等进行知识发现，能够辅助于业务的推理和辅助决策，在智能投研进行未知风险预警、在舆情分析中对公司进行舆论控制和监控。 “逻辑知识库”+"逻辑推理机"的混合协作模式，是目前实现以上目的的重要方式。 "逻辑知识库"作为描述现实社会事件之间传导关联的库，需要在规模、质量，领域针对性三个方面入手进行解决。具体地，作者通过对自己所涉及的推理项目进行系统回顾，认为，推理类常识知识库，应该从纵向和横向两个维度出发进行构建。 一、纵向常识逻辑

大数据篇：一文读懂@数据仓库 1 网络词汇总结 人工智能层的：智慧地球、智慧城市、智慧社会 企业层面的：数字互联网，数字经济、数字平台、数字城市、数字政府； 平台层面的：物联网，云计算，大数据，5G，人工智能，机器智能，深度学习，知识图谱 技术层面的：数据仓库、数据集市、大数据平台、数据湖、数据中台、业务中台、技术中台等等 挑重点简介 1.1 数据中台 数据中台是聚合和治理跨域数据，将数据抽象封装成服务，提供给前台以业务价值的逻辑概念。 数据中台是一套可持续“让企业的数据用起来”的机制，一种战略选择和组织形式，是依据企业特有的业务模式和组织架构，通过有形的产品和实施方法论支撑，构建一套持续不断把数据变成资产并服务于业务的机制。 数据中台连接数据前台和后台，突破数据局限，为企业提供更灵活、高效、低成本的数据分析挖掘服务，避免企业为满足具体某部门某种数据分析需求而投放大量高成本、重复性的数据开发成本。 数据中台是指通过数据技术，对海量数据进行采集、计算、存储、加工，同时统一标准和口径。数据中台把数据统一之后，会形成标准数据，再进行存储，形成大数据资产层，进而为客户提供高效服务。 数据中台，包括平台、工具、数据、组织、流程、规范等一切与企业数据资产如何用起来所相关的。 可以看出，数据中台是解决如何用好数据的问题，目前还缺乏一个标准，而说到数据中台一定会提及大数据

　　机器之心原创 　　 编辑：泽南、张倩 　　 深度学习潮起仿佛还在昨天，百度 NLP 已走过了十年。 　　人工智能是一门新兴学科吗？当然不是。但能让 AI 技术被上亿人每天使用到的，一定是走在最前端的公司。 　　在国内，百度就是这样一家公司。在人工智能最具挑战性的方向——自然语言处理（NLP）上，百度一直拥有着技术优势。8 月 25 日，在百度语言与知识技术峰会上，百度 CTO 王海峰向我们分享了这家公司在 NLP 领域的技术创新和产业实践，同时也展望了未来的发展趋势。 　　在这个七夕，百度还向我们发布了不少 NLP「爆款」。 　　「语言与知识技术是人工智能认知能力的核心。2010 年，百度成立自然语言处理部，十年间不断发展壮大，」王海峰表示，「在百度语言与知识技术的布局和发展中，我们始终注意把握两个趋势，即技术发展趋势和产业发展的趋势，并力争引领趋势。」 　　 　　随后，王海峰全面分享了百度语言与知识技术的完整布局和最新成果。 　　 十年坚守，一路领先 　　经过了十余年的发展，百度已形成了完整的 NLP 技术布局，包括知识图谱、语言理解与生成技术，以及应用系统等。知识图谱包含概念图谱、实体图谱等不同类型的图谱，以及知识挖掘、索引、存储到知识推理计算的一整套知识相关的技术和平台。语言理解包括基础的词法分析和句法分析技术，也包括篇章理解、对话理解、情感分析和语义理解等技术

【51CTO.com原创稿件】9月金秋，华为云“2020汽车CXO沙龙”走进了ICT圈内知名的“网红打卡地”华为溪村。60+TOP汽车企业CXO、权威咨询机构、企业网D1Net、华为多位专家，齐聚一堂，共同探究业界趋势并分享各自的行业思考，共商汽车行业加速智能升级之道。 2020年中国经济进入新常态，汽车市场原本就正处于新旧动能转换和结构效益调整的攻关期，在这个特殊时期，汽车市场产业链上下游对于转型的需求变得更加迫切。不论是传统汽车企业，还是造车新势力，亦或是上下游供应链，每个环节都在尝试通过科技的力量收缩成本提升效率。华为云深刻了解汽车行业面临的挑战，在汽车企业纷纷加速数字化转型的过程中，华为云中国区总裁洪方明表示：“以客户为中心，怎么样触达到客户?这是今天数字化要解决的一个非常核心的问题。”通过“2020汽车CXO沙龙”，华为云也希望藉此机会实现双方在数字化提速大潮中重新思索前行方向与路径，驱动数字技术与企业运营和管理的深度融合，实现更多价值创新，促进商业成功。 云+大数据+AI+IoT，驱动车企业务增值 华为云Marketing与生态总裁陈亮 华为云Marketing与生态总裁陈亮在“2020汽车行业CXO沙龙”上表示，汽车行业如今面临重重挑战：在研发设计环节，产品结构更复杂，要以市场需求为导向;在生产制造环节，要控制成本，提升产品安全性;在市场营销环节

背景概述 今天看了一篇论文我觉得挺有意思，一方面是讲的股票预测相关，另一方面是把深度学习和知识图谱相结合解决一个问题。通常知识图谱和深度学习很少有交集，一般是独立发展的两个人工智能领域解决问题的手段，两者如何一起解决问题呢？这个也引发了我的好奇心，因为一直对知识图谱这个领域念念不忘，在《机器学习实践应用》最后一章还要特意加入知识图谱的内容。 论文的名字叫：<Knowledge-Driven Stock Trend Prediction and Explanation via Temporal Convolutional Network>有兴趣的同学可以下载来自己也看一看。 股票预测的历史难题 KDTCN其实是KD和TCN的缩写，KD指的是Knowledge-Driven，也就是知识图谱。TCN是Temporal Convolutional Network，字面意思是临时卷积网络。其实在量化领域，已经有很多成熟的模型了，比如最早的Arima，到后来的RNN，再到LSTM，这些模型都是把股票预测看作是一组结构化的时间序列的时序预测问题。 KDTCN的出现，肯定是为了解决股票预测领域的一些痛点，我觉得有两点。其一是重大突发事件对股价的影响，如果单一把股票预测看成时间序列问题，一些突发问题的影响其实很难通过时序分析得到。比如喜闻乐见看到的，川普Twitter信息导致股价大跌：

简介： 在成长的未知道路上，我们总会遇到各种各样的问题，但是，所有的迷茫与逆境都能够帮助我们成长，我们要抓住每一个机会让自己进步，而不是徘徊不前。 淘系前端开发同学——林晚，今天就来和大家分享他这七年的成长经历，以及如何摆脱业务前端的职业迷茫感。 个人经历 我的经历相对来说比较简单，毕业后一直在阿里。 07到13年我在武汉大学学习通信工程专业，同时辅修了动画双学位。 13年毕业后加入阿里巴巴国际站，在B2B阶段我对动画和创新交互比较感兴趣，共申请了6项相关专利，有的已经获得授权，赚得了人生的第一桶金：5万 15年转岗到蚂蚁口碑，当时主要负责互动营销和质量检测。 18年了解到淘宝直播，想在多媒体领域持续深耕，最近两年主要负责ALive直播开放和多媒体前端领域的建设。 三个阶段都有一定的成长，也得到了认可。下面就带着大家走进我的七年，希望能给处于迷茫期的你一些指引。 阶段回顾 每个阶段的回顾，按照下面几个阶段来划分，总结了下我在每个阶段的关键词： 折腾点什么（点） 主导点什么（线） 突破点什么（面） 引领点什么（体） ▐ 折腾点什么 初入职场 大家还记得自己做过的第一个需求是什么吗？ 我的第一个需求是做一个类目选择器，索引、排序。我记得当时是周五，我了解完需求和师兄说，这个需求我周末弄两天，下周一就可以做好。当时师兄笑了一下。因为那个时候我还不清楚一个需求的完整流程，需要经过评审、排期

前言 在这个大家热议的人工智能时代，也使我们有了更多的反思，其实在这些热点议题的背后，一些基础架构与底层系统技术的发展与实现或许更加务实和接地气一些，同时产业界也需要有更坚实的基础架构与底层系统技术来支撑日益增长的庞大的业务量。 对于支持庞大业务量，其中最具有代表性的莫过于现在的618双十一购物秒杀活动了。而作为参与其中的主力之一的京东，他们的基础架构与底层系统是如何搭建的呢？作为程序猿的我们，该如何脱离CRUD的苦海让自己也加入到这亿级系统的搭建中来呢？不要慌！互联网雷锋（小编我）为大家整理出两份真京东大牛编写的架构实战文档，可以说是国内架构文档的经典之作。 这两份架构文档 理论与实践结合 深度与广度兼具 技术与业务并重 新兵与老将或宜 说的这么高大上，大家可能也不会信，下面来看这两份架构文档的主要内容（为了不影响大家的阅读体验，我把获取方式放在了文末） 京东基础架构发展 目录总述 容器集群技术 概述 JDOS 1.0:“胖容器”时代 JDOS 2.0:新一代应用容器引擎 JDOS 3.0:服务融合平台 JDOS 4.0:弹性数据计算 数据库技术 发展历程 BinLake日志订阅服务 弹性数据库 分布式存储技术 JFS:京东文件系统 JIMDB:内存是新的磁盘 FBase:大表存储 Container File System 中间件技术 服务框架 消息队列 JMQ复制技术解析