上一篇几轮实验考察了沪深300各种定投策略的收益率。我发现从yahoo可以很方便地抓取美股历史数据，比如纳斯达克100和标普500，反正实验策略的代码是不变的，只需要把这些数据抓取下来，适配一个解析器就能很快算出这些指数投资收益率了，本文就把实验结果跑出来。代码还是在finance-learning/main.py。
关于股指基金定投的一点研究（一）
昨天跟老爸聊投资，聊着聊着就抬起杠了：我说无论美股还是中国股市，大盘代表这个国家经济的基本走势，以年的粒度来看是向好的，几乎不会亏钱；而老爸一句话就给我顶回来，2008年都要飙到6000点了，现在才多少点？这都10年了，你告诉我哪年可以翻盘？
git submodules
自己的版本库中常常引用一些开源的基础模块，比如googletest、glog，比较笨的做法是clone一份代码，直接再提交到自己的版本库中。更推荐的做法是使用git submodules。
使用现金流贴现法算算几家美国公司的绝对估值
绝对估值是关于企业内在价值的一种估算方法，其中现金流贴现法（Discounted Cash Flow DCF）是最经典的绝对估值法，它是基于企业自由现金流的计算公式。本文就采用这种方法算算几家比较著名公司的绝对估值。
编写编译器和解释器二
上一节基于四则运算的计算器，引入了词法分析器、语法分析器和解释运行器的概念，他们分工明确，相互协作，根据语法规则完成源代码的解释执行。本节将这一规则应用到实际的编程语言中，以Pascal为例完成编译和解析。从业务跨度上，本节相比上一节是一次跨越，但从底层技术来说，不过是上一节基本概念的又一次应用而已。
从一个简单的例子体会TensorFlow的使用
上了这么多节课，当自己动手使用TensorFlow写机器学习的代码时，还是觉得有点晕，经常在一个点上要琢磨半天。实在是机器学习的思想和传统的编程方式差别太大了，需要不断地训练，并在思想和代码间去做磨合，才能达到自然过渡。本节就从一个最简单的Tensorflow代码来理解它和背后梯度下降之间的关系。
Deep MNIST for Experts代码分析
Deep MNIST for Experts是TensorFlow Get Started中HelloWorld级别的的例子。它分两个版本：MNIST For ML Beginners和Deep MNIST for Experts。前者采用没有隐藏层的梯度下降，结合上一篇笔记很容易看明白；后者使用了深度神经网络，本节重点分析它。
TensorFlow知识地图
TensorFlow图描述了一个计算的过程，图必须在会话里启动，会话将图的op（operation）分发到诸如CPU或GPU之类的设备上，同时提供执行op的方法。这些方法执行后，将产生的tensor返回。在Python语言中，返回的tensor是numpy ndarray对象；在C和C++语言中，返回的tensor是tensorflow::Tensor实例。
DeepLearning.ai笔记（十二）
《卷积神经网络》第四周《特殊应用：人脸识别和神经风格转换》。
本周内容从标题反应很清楚了，人脸识别和普通的CNN不同之处在于在实际应用场景中，被识别的人脸可能无法事先收到很多数据。比如门禁系统，每个人仅上传几张头像，就要求能够分辨当前刷脸的是谁。
DeepLearning.ai笔记（十）
《卷积神经网络》第二周《深度卷及网络：实例探究》。
本周课程前半部分对卷积神经网络作了进一步延伸介绍，领略了LeNet-5、AlexNet、VGG-16等经典网络和残差网络、Inception网络。这些介绍略显枯燥，因为每个网络体系都更加复杂，你很难从网络体系架构图上理解他为什么这么做。课程并没有讲解思想起源，而是建议大家阅读论文。好消息是，如果只是应用，不需要读懂论文，可以去寻找开源的实现，不仅是算法，连同前人已经训练好的模型都可以一并拿来，通过迁移学习的方法嫁接到自己的应用中。这是本周课程的后半部分讲解的内容。
DeepLearning.ai笔记（九）
《卷积神经网络》第一周《卷积神经网络》。
本门课程《卷积神经网络》主要应用于计算机视觉。本周课程介绍了卷积神经网络的基本模块，基本结构。包括卷积计算的概念及相关的参数策略如Padding、步长；卷积层、池化层、全连接层及各层之间的关系。主要为接下来的应用打好理论基础。
DeepLearning.ai笔记（八）
《结构化机器学习项目》第二周《机器学习（ML)策略（2）》。
本课主要讨论数据，标注错误、训练集和开发/测试集不同分布，遇到这些情况该怎么应对。后半部分进一步扩展了机器学习的方法，引入迁移学习、多任务学习、端到端学习的概念。