数字货币交易系统架构 Python实现 黄毅 目录 CONTENTS 交易系统功能介绍 交易系统架构设计 钱包实现介绍 1 交易系统功能介绍 交易系统功能-基本概念 class Side(Enum): ‘下单方向’ BUY = 0 SELL = 1 class Order(NamedTuple): ‘订单’ id: int side: Side amount:

MicroPython与硬件开发 黄盈樟 个人简介 2019年11月10日8时10分 资深嵌入式开发工程师，近几年的工作领域为开源无人机系统应用、物联网全系统 应用，擅长语言是C/C++/Python, 曾于国内多个重点大学开展无人机应用项目， 在国内多所二本院校担任物联网专业的课程讲师。 目录 CONTENTS 硬件发展史与开发语言 MicroPython发展史 MicroPython实例

微博在线机器学习和深度学习实践 黄波 @黄波_WB 资深技术专家 2019.5 目录 1.推荐篇 2.平台篇 3.总结篇 1 目录 • 推荐场景 • 推荐 • 在线机器学习 • 深度学习 • 平台背景 • 平台架构 • 平台效果 • 微博技术里程碑 • 微博业务生态 推荐篇 APPLICATION 推荐场景、在线机器学习和深度学习 11 1 推荐场景 •

Golang 在接入层长连接服务中的实践 黄欣 基础平台－架构部 目录 • 背景 • 架构 • 心得 目录 • 架构 • 心得 背景—why 长连接？ • 业务场景 – 大量实时计算 • 司机乘客撮合 • 实时计价 – 高频度的数据交互 • 坐标数据 • 计价数据 – App和服务端双向可达 • 上行（抢单） • 下行（派单） 背景—why golang？ • 开发效率

Python大型Web项目进击 之路 主讲人： 黄志武 – 华世界集团创始人 目录 • Python web开发有什么优势 • 现在的python Web 有哪些选择 • 我们到底是在解决谁的问题 • 业务需求和技术需求哪个更重要 • 技术的价值到底在哪里 Python Web开发有什么优势 • 为什么选择python django框架做web开发 • 基于后端数据模型生成的web模板

全球敏捷运维峰会 广州站 基于ClickHouse+StarRocks 构建支撑千亿级数据量的高可用查询引擎 演讲人：蔡岳毅 全球敏捷运维峰会 广州站 1. 为什么选择ClickHouse/StarRocks； 2. ClickHouse/StarRocks的高可用架构； 3. 如何合理的应用ClickHouse的优点，StarRocks 如何来补充ClickHouse 的短板；

= ?⋂? ?⋂? = ?⋃? 45 概率论与数理统计-古典型概率 定义：试验?中样本点是有限的，出现每一样本点的概率是相同 。 一袋中有8个球，编号为1－8，其中1－3号为红球，4－8号为黄球， 设摸到每一球的可能性相等，从中随机摸一球，记? ={ 摸到红球 }，求?(?)。 A = 1,2,3 ⇒ ? ? = 3 8 S = 1,2, … , 8 ? ? = ?所包含的样本点数 中的样本点数 46 概率论与数理统计 (1) 条件概率: ?(?|?) = ?(??) ?(?) ,表示?发生的条件下，?发生的概率 一袋中有8个球，编号为1－8，其中1－3号为红球，4－8号为黄球， 设摸到每一球的可能性相等，从中随机摸一球，记A={ 摸到红球 }，求P(A)。 A = 1,2,3 ⇒ ? ? = 3 8 (2) 全概率公式： ?(?) = σ?=1 ? ?(?|? 04 深度学习的开发流程 77 深度学习的一般步骤 深度学习=表示学习+浅层学习 78 定义 网络 1 损失 函数 2 优化 3 深度学习的三个步骤 深度学习很简单…… 来源：李宏毅《1天搞懂深度学习》 79 参考文献 1. IAN GOODFELLOW等，《深度学习》，人民邮电出版社，2017 2. Andrew Ng，http://www.deeplearning.ai

定的算法研究与应用，并取得了不错的业务结果。基于这三个领域的技术积累，我们 在比赛中选择了三道紧密联系的赛题，希望应用并提升这三个领域技术积累，带来技 术与业务的进一步突破。搜索广告算法团队的黄坚强、胡可、漆毅、曲檀、陈明健、 郑博航、雷军与中科院大学唐兴元共同组建参赛队伍 Aister，参加了 Debiasing、 AutoGraph、Multimodalities Recall 三道赛题，最终在 分布的 Exploration 算法，通过历史点击率和统计置信度生 成 Exploration 候选，算法背后的假设是置信度越大点击率的方差越小。如下图所 示，横轴代表预估点击率，纵轴代表概率密度，在黄框中参数的 Beta 分布生成的样 本预估点击率分布接近于真实的样本分布，用于补充仅通过模型选择的曝光数据；其 次，我们结合随机游走进行负样本优化，并通过采样算法和 Label 优化来控制精度。 定的算法研究与应用，并取得了不错的业务结果。基于这三个领域的技术积累，我 们在比赛中选择了三道紧密联系的赛题，希望应用并提升这三个领域技术积累，带 来技术与业务的进一步突破。搜索广告算法团队的黄坚强、胡可、漆毅、曲檀、明 健、博航、雷军与中科院大学唐兴元共同组建参赛队伍 Aister，参加了 AutoGraph、 142 > 美团 2020 技术年货 Debiasing、Multimodalities

6 作者 李艳林（彦林） 李晓双 孙立（涌月） 柳遵飞（翼严） 廖春涛（春少） 杨翊（席翁） 程露 钱陈（潕量） 张龙 范扬（扬少） 张斌斌 李志鹏（怀成） 黄文清 吴援飘（草谷） 吴毅挺 任浩军 张波 王建伟（正己） 卿亮 许进 7 > 推荐序 推荐序 阿里巴巴合伙人 - 蒋江伟（小邪） 随着企业加速数字化升级，越来越多的系统架构采用了分布式的架构，主要目的是为了解决集中化

主要使用如下简单的更新原则: weight = weight - learning_rate * gradient 31 定义 网络 1 损失 函数 2 优化 3 深度学习的三个步骤 深度学习很简单…… 来源：李宏毅《1天搞懂深度学习》 32 3. 神经网络 torch.Tensor-支持自动编程操作（如backward()）的多维数组。同时保持梯度的张 量。 nn.Module-神经网络模块.封装参数 ai 3. Christopher M. Bishop, Pattern Recognition and Machine Learning, Springer-Verlag, 2006 4. 李宏毅，《一天搞懂深度学习》 5. 吴茂贵等，《Python深度学习基于PyTorch》，机械工业出版社，2020 40 谢 谢！