[Python Flask] 自己的看盤軟體自己做（三）- 資料庫架設

好勒！承接上一篇，我們的看盤軟體呢！會使用 MySQL 資料庫。

這一篇我們將介紹兩種架設 MySQL 資料庫的方法。

[Python Flask] 自己的看盤軟體自己做（二）- 架構介紹

承接了兩年前未完成的計畫，

因為剛出社會要熟悉工作環境以及一點私事而拖延了 kerker。

言而總之，自己的看盤軟體還是要自己做才爽！

[深度學習練習] [Deep Learning Practice] 神經網路入門（十二）- 遞歸神經網路 X TFLearn X 台指分K

上一篇我們已經把 lstm 訓練好的 model 儲存起來，

這一篇，是深度學習的最後一篇，我們要寫一個回測的方法，

看看我們的模型到底學到什麼。

[深度學習練習] [Deep Learning Practice] 神經網路入門（十一）- 遞歸神經網路 X TFLearn X 台指分K

這一篇會加上一些基本前處理步驟，

然後用 TFlearn 把 lstm 架構寫出來，

並看到學習的結果。

[深度學習練習] [Deep Learning Practice] 神經網路入門（十）- 遞歸神經網路 X TFLearn X 台指分K

之前已經用 CNN 練習過台股日 K 預測，

接下來我們會用 LSTM 來玩台股分 K 預測，

不過！在這之前我們要先介紹一下 TFLearn 這個超好用的工具。

[深度學習練習] [Deep Learning Practice] 神經網路入門（九）- 遞歸神經網路 X 實作

上一集中，介紹了基本的 RNN 以及 LSTM model，

這一篇將會實作 RNN model，預測 mnist 的資料，

以更加了解 RNN 的使用方法和原理。

[深度學習練習] [Deep Learning Practice] 神經網路入門（八）- 遞歸神經網路 X 基礎

這一集分享一下遞歸神經網路 ( Recurrent Neural Network )，

簡稱為 RNN，對於和時間相關的學習非常強大，

可以拿來玩期貨、音樂或文意理解等之類和時間有強烈關係的主題。

[Python GUI][Tkinter實作練習] 自己的看盤軟體自己做 (一) - Tkinter 介紹

這次打算練習一下，

自己用 Python 寫一個看盤軟體，

使用的 Library 是 Tkinter，開始吧！

[深度學習練習] [Deep Learning Practice] 神經網路入門（七）- 卷積神經網路 X 台指

上一個章節中，我們已經完成了資料處理的幾個方法，

這一集要定義卷積網路的樣子，然後把圖片和標籤丟進去，

看看卷積神經網路在指數預測的能力如何。

[深度學習練習] [Deep Learning Practice] 神經網路入門（六）- 卷積神經網路 X 台指

這個專案，我覺得比起之前都要好玩太多，

因為我們將引用外部資料，自己決定資料長相以及要學習的事情，

這才是機器學習最有趣的地方！

[深度學習練習] [Deep Learning Practice] 神經網路入門（五）- 卷積神經網路 X 實作

上一集中，紀錄卷積神經網路的基本理解，

這一集就會使用卷積神經網路來預測 mnist 的 data，

做圖像辨識的練習。

[深度學習練習] [Deep Learning Practice] 神經網路入門（四）- 卷積神經網路 X 基礎

這一集分享一下卷積神經網路 ( Convolutional Neural Network )，

卷積神經網路是深度學習底下的一個分支，

對於圖像處理有很強大的分析能力。

[深度學習練習] [Deep Learning Practice] 神經網路入門（三）- 深度學習實作

上一篇中，講了深度學習的基本架構，

這篇將使用 tensorflow 去實踐深度學習，

並做一個數字辨識的入門小專案。

[深度學習練習] [Deep Learning Practice] 神經網路入門（二）- 深度學習介紹

這邊先大概紀錄一下，深度學習在我認知中是什麼樣子。

然後，用tensorflow做一個簡單的小練習，

大概是這樣子。

[深度學習練習] [Deep Learning Practice] 神經網路入門（一）- 機器學習介紹

最近呢，都在學深度學習，發現這真的是一門很有趣的學問。

深度學習可以拿來做很多很屌的事情，但如果要好好地在某個領域使用他，

不僅要該領域的專業知識，還要夠硬朗的深度學習的知識才行。

[機器學習練習] [Machine Learning Practice] 用 Scikit 學習台灣指數趨勢（七）- 回測與討論

上一集已經把機器訓練好了，

為了驗證機器的預測是否可以拿來當作投資依據，

我們要跑一跑回測。

[機器學習練習] [Machine Learning Practice] 用 Scikit 學習台灣指數趨勢（六）- TRAINING

在上一集中，我們處理完資料獲得了技術分析的特徵，

KD 以及 均線，現在我們要丟給機器學習，

然後預測漲跌了！！

[機器學習練習] [Machine Learning Practice] 用 Scikit 學習台灣指數趨勢（五）- 資料處理

上一集我們決定了要使用的特徵以及演算法，

這一集將會用程式碼去實現均線和 KD 值處理，

開始吧！

[機器學習練習] [Machine Learning Practice] 用 Scikit 學習台灣指數趨勢（四）- 特徵選擇

在上一篇練習中，我們已經爬到台股指數期貨的資料，

這一集會分享一下我選擇的特徵還有我使用的演算法，

開始吧！

[機器學習練習] [Machine Learning Practice] 用 Scikit 學習台灣指數趨勢（三）- 資料整理

上一篇講到怎麼從期貨交易所上抓下自己想要的資料。

這一篇會實現抓下每一天的資料並且整理進去 DataFrame，

開始吧！