若讀者有推薦的網站可以在討論串留下相關訊息,我們會立即更新內容!

 

Open Data

網站名稱Name

概述Description
career.guru99.com Python Learning Website
Data.gov 美國政府提供的數據集門戶網站
Data.gov.uk 英國所有中央機關和部分公共部門及地方政府的數據集
U.S. Census Bureau 美國政府針對國民生活的統計數據
The CIA World Factbook CIA 彙整各國狀況數據
Socrata 可視化工具來搜索政府數據
European Union Open Data Portal 歐盟各個機構的數據
Canada Open Data 加拿大政府和地理數據
Datacatalogs.org 美國、歐盟、加拿大、CKAN 數據平臺等各個地方的開放政府數據

U.S. National Center for Education Statistics

美國國家教育統計中心(NCES)

UK Data Service

英國人口普查數據、國際貿易額、商業數據和定性數據

政府資料開放平臺 中華民國政府Open Data
台北市政府資料開放平臺 台北市政府Open Data
Data.gov 美國政府Open Data
State of New York Open Data 紐約州政府Open Data
Data.CA.gov 加州政府Open Data
Data.GOV.UK 英國政府Open Data
London Datastore 倫敦政府Open Data
GovData 德國政府Open Data
Data.gouv.fr 法國政府Open Data
Data GO JP 日本政府Open Data
中華人民共和國統計局 - 國家數據 中國政府統計數據
Data and Statistics BTS 美國政府交通局 資料
USAspending.gov 美國政府支出 資料

Economic and Financial Database

網站名稱Name 概述Description
Federal Reserve Bank of St. Louis | Economic Data FED經濟數據
Data | The World Bank 世界銀行 數據庫
IMF Data 國際貨幣基金組織 數據庫
Statistics | World Federation of Exchange 世界交易所聯盟 統計數據
Jay R. Ritter IPO Data 美國IPO資料
中央銀行統計資訊網 中央銀行 統計資料
Data and Statistics BTS 國發會 景氣燈號
Statistics :日本銀行 Bank of Japan 日本中央銀行 統計資料
Statistics :Federal Reserve Board 美國聯邦儲備委員會 統計資料
World Integrated Trade Solution (WITS)  世界貿易相關統計資料
 

 

摘要: 不論是AI也好,其他學科也好,學習、研究的過程中不斷反思學科的歷史,總結學科的發展現狀,找出最重要的理念,總能讓人能「吾道一以貫之」。軟體工程師James Le近期根據他研究的經驗總結出了AI研究必須要知道的十種深度學習方法。

摘要: 連假開始,你的論文存貨還夠嗎?對人工智慧感興趣的你,是否還停留在碎片閱讀階段?想要進行更深一步的學習,本篇推文中網羅了人工智慧領域15篇精選論文,讓你及時了解AI學科前沿成果。

摘要: 11節 麻省理工學院 的通用人工智慧課程。講師陣容超豪華:谷歌技術總監Kurzweil、特斯拉AI總監Andrej Karpathy、波士頓動力CEO Marc Raibert、OpenAI的聯合創始人Ilya Sutskever等。課程內容包括:通用人工智慧、計算認識科學、認知建模、深度學習等。文中附有課程講義下載和課程視頻地址。

摘要: 「贏者詛咒」:贏得拍賣品的中標者出價高於其他競標者,但他很可能對拍賣品估價過高,支付了超過其價值的價格,從而贏得的拍賣品的收益會低於正常收益甚至爲負。換句話說,就是當你一心想要贏得競標時,卻偏離了你原本的目的:當我們爲各種測評任務中取得的分數歡欣鼓舞時,可能我們已經受到了「贏者詛咒」。

圖名

Big data has both high volume and high velocity – one way this manifests is as silos of in-situ data representing departments in banks that are very difficult to move and integrate to obtain a single coherent customer view. Further, the ability to perform data analytics – dynamically and in near real-time – of rapidly changing customer and market data is increasingly critical for competitiveness. By considering the distributed nature of financial data storage and the velocity of financial markets, the objective of this RP is to develop distributed and real-time machine learning methods to identify decentralised and dynamic models for financial analysis, prediction, and risk management.

This project will develop (i) methods to identify cross-effects between different data resources, regions, sectors, and markets, (ii) distributed versions of methods to identify decentralised models that include individual local model components learned from local resources and cross-impact model components learned from data resources in other regions/sectors/markets, and (iii) real-time learning methods to update decentralised models and address financial market velocity.

Based on the distributed and cloud computing infrastructure, this approach should address the weakness of existing data-centralised and off-line machine learning methods, which fail to consider the cost of data transportation, storage, and fast timevarying characteristics of financial markets. The originality of this approach is its dynamic integration, by distributed and real-time mining, to maximise the effectiveness and efficiency of big data analysis.

Early Stage Resercher working on the project: Sergio Garcia Vega

Supervisor: Professor John Keane, University of Manchester / john.keane(at)manchester.ac.uk

轉貼自: Finance BigData.eu

每月文章