cqf算法

‘壹’ 今日头条头条极速最新版怎么填写对方邀请码找不到啊

获取后填写方法是；以安卓手机操作为例：

1、首先从他人哪里获得邀请码后，打开手机上的今日头条极速版app。

相关介绍：

1、对比二者，今日头条与其极速版，内容上仍旧是差不多的，而算法推荐也是相同的，也就是说基于媒体的内容和技术层面，二者是一致的。

2、类比功能，最大不同在于极速版是加强了分享、收益、关系链的今日头条。

3、从互联网发展史来看，互联网从收费-免费-补贴-供给利益，用户从产品使用的过程中获得收益在更多的媒体产品中得以体现，今日头条正常版本只对内容的发布者提供获益，而从前内容阅读者受益是很少的，极速版看似在弥补这一缺陷，可能是战略卡位的一种行为，抢占和防御型的战略姿态（可能）。

‘贰’ CQF的年薪是多少

CQF量化投资分析师是金融领域的相关证书，所以他们从事的职业肯定是跟金融证券类息息相关。目前CQF持证人工作的领域主要集中在证券银行、基金管理、国际投资银行、期货衍生品与金融风险管理等领域工作。
CQF量化金融分析师到底用处有多大？
CQF职位推荐
1、量化交易员
这类职业无论在证券公司还是期货公司，以及一些私募基金机构，对这类量化交易员的要求都要求很高。因为这类交易员直接跟资金挂钩，所以不管是量化研究或者基本面，最终都是要落实到交易，所以量化交易环节显得就很重要了。
2、量化分析师/研究员
这类量化研究主要以权益类和固收类位置，就像是我们常说的股票多因子模型研究，固定收益类资产投研模型的各种研究等。在国内金融市场中，这些职位的要求我们都会比较熟悉，并且如果涉及到大型资产配置和金融风险模型等，更是需要CQF持证人这些拥有扎实的金融基础的人。同时还需要大佬的数据分析和编程能力，一般主要以python为主。当然必要的语言能力也是很重要的，最起码的阅读和理解金融领域的相关着作需要比较流畅。
3、量化开发工程师
一提到开发工程师，其实量化开发工程师主要开始更需要了解编程相关的内容，也就是急需要熟悉软件开发的各类工具。常见的CQL数据库、Linux操作系统，如果是对算法要求比较高还要扎实的数据知识来满足日常工作需求。
CQF薪资水平
1.投研系统开发工程师：参考年薪60-120万间
2.量化投资组长(或PM)：参考年薪200万间
3.基金经理/PM：参考薪资：年薪60-200万间

‘叁’ 明马克是什么

明马克是指马克资产(MINTMARK CAPITAL LLC)简称MC，成立于2019年10月，总部位于美国佛罗里达州，是全球领先的去中心化数字资产交易平台。MC立足于自动量化交易系统研发，不断发掘加密货币交易市场的各种潜在价值。由MC技术团队联合谷歌技术团队共同研发推出的MCguess和MCbot系统，可根据MC量化交易团队设定好的交易策略，可24小时自动识别交易信号并进行交易，目前适用于5倍-10倍杠杆的比特币永续合约交易，通过及时止盈止损设定的策略产生盈利，如遇高风险MCbot系统将迅速识别，并同步买进反向同比的资产进行无缝对冲，超强的风险预判能力实现0风险的的对冲套利产生超高收益。
拓展资料
一、明马克与众不同的盈利能力又在哪里呢？
在过去的很长一段时间里，数据是智能经济的基础，是智能制造的核心生产资料，我们称其为“算量”。其次，以云计算、边缘计算为代表的“算力”的快速发展为处理海量数据提供了有力保障。当下，以人工智能、机理模型为代表的“算法”技术帮助智能制造发现规律并提供智能决策支持。而明马克在众多科技技术的研发里，着重于算法上的突破，它将这三大要素紧密联系起来，让它们协同作业，发挥出巨大的价值。不仅如此，明马克资产拥有多名深耕量化金融、风投管理、基金分析、经济学等多年的资深交易员参与其中，为其数据方向的准确度保驾护航。诸如：
国际知名的定量金融专家和CQF的创始人Paul Wilmott博士。他的研究工作非常广泛，在领先的数学和金融期刊上发表了100多篇文章，还出版了几本国际知名的数学建模和衍生品书籍，包括畅销的《量化金融》。他在美国和欧洲主要金融味机构拥有丰富的咨询经验，并创立了波动性套利对冲基金和大学学位课程。
法国NEOMA商学院金融学副教授sébastien Lleo博士， 此前， 他曾在加拿大从事投资管理和风险管理7年，并在英国和加拿大担任咨询职位。sébastien是风险管理专着的作者，也是风险敏感随机控制和股市崩盘书籍的合着者。Sébastien拥有工商管理硕十、数学博十和社会科学博士学位。他也是CFA特许持有人、 注册财务风险经理、专业风险经理和CQF校友。
Claus Huber是法兰克福德卡投资公司的投资组合经理，他在那里帮助开发新的投资产品。作为Rodex Risk Advisers LLC总部位于瑞士阿尔滕多夫，为客户提供风险管理和量化投资解决方案方面的咨询。他拥有丰富的企业家、风险经理、信贷策略师、对冲基金分析师和政府债券交易员的经验，曾为对冲基金、银行和保险公司工作。
Jon Gregory博士是一名独立专家，专门从事交易对手风险xvA相关项目。他曾在巴克莱资本、法国巴黎银行和花旗集团任职，在职业生涯中从事过许多信用风险方面的工作。他是《交易对手信用风险∶全球金融市场和中央交易对手面临的新挑战∶强制性清算和双边保证金要求对场外生品的影响》一书作者。他是IHS Markit Solum金副输衍生品咨询和学术咨询委员会的高级顾问。
无论是从研发技术还是系统运维团队，MC都是最安全最领先的。
MC大利润的智能化交易，在金融的发展与计算机技术的不断提升下，MCbot将不断扩大平台，大幅度提升盈利，保护用户的资产安全。利用共享生态加大用户的盈利，自动追踪系统及自动建仓平仓系统为交易安全增加多重保障。

‘肆’ 文件解密

你好！

解密需要密码，类似于密码本的：

我用密码本来加密，再用密码本来解密。

‘伍’ CQF量化投资分析师的报考条件是什么需要有工作经验吗

CQF是“量化投资分析师”（Certificate in Quantitative Finance）的简称，由着名金融工程学家、全球量化投资奠基人Paul Wilmott博士及其专家团队在2003年创办于英国，CQF协会隶属于着名的惠誉集团（Fitch Learning），是目前全球量化投资领域绝无仅有的专业权威证书，是由牛津大学博士、英国皇家科学院研究学者、对冲基金创始人PaulWilmott等组成的国际知名的数量金融专家团队设计推出的国际数量金融工程认证。

另外不需要什么工作经验，当然有了工作经验的是更好的，这有了经验都是对工作比较好的。相对于量化研究，量化开发和量化交易联系的更为紧密，因为Quants需要开发人员提供交易工具，包括算法的实现、策略执行过程中问题的处理，交易数据统计等等，而量化研究人员更多的面对客户提供具有价值的研究报告。

‘陆’ 金融类考什么证比较有用。。。。。

特许金融分析师（CFA）CFA全称Chartered Financial Analyst（特许注册金融分析师），是全球投资业里严格与高含金量资格认证，被称为金融第一考的考试，为全球投资业在道德操守、专业标准及知识体系等方面设立了规范与标准。自1962年设立CFA课程以来，对投资知识、准则及道德设立了全球性的标准，被广泛认知与认可。金融风险管理师（FRM）FRM（Financial Risk Manager）是全球金融风险管理领域国际资格认证，由美国“全球风险管理专业人士协会”（Global Association of Risk Professionals，简称GARP）开发。国际数量金融工程认证（CQF）CQF（Certificate in Quantitative Finance）国际数量金融工程证书，是由Paul Wilmott博士组织的国际知名的数量金融工程专家团队设计和推出，目的是为有意在银行、基金管理、投资银行、衍生品与风险管理等领域工作的人士提供高级培训。国际金融理财师（CFP）CFP是Certified Financial Planner，“国际金融理财师”的简称。是CFP资格认证体系的较高级。CFP资格证书是美国以及全世界公认的金融理财行业权威等级证书。财务顾问师（RFC）RFC,注册财务顾问,是由美国国际认证财务顾问协会(IARFC,International As-sociation for Registered Financial Consultant)颁发。IARFC成立于1984年。会员分布在美国、加拿大、英国、意大利、澳大利亚、新加坡等40多个国家和地区,主要为保险行业从业人员。注册国际投资分析师（CIIA）注册国际投资分析师（Certified International Investment Analyst，CIIA）资格是全球投资分析领域国际影响力的专业资格之一，由注册国际投资分析师协会（Association of Certified International Investment Analyst，ACIIA）统一管理。

‘柒’ 从银行跳槽去做量化，该如何规划

最近了解到有不少朋友和我一样，想要从其他领域转行做quant，或担心能力不足，或担心时机已晚。首先我想说，年龄并不是进入量化金融的障碍，本人也是临近30岁才正式入行量化的工作。无论从事什么行业，最重要的是也许是内心原始的动力和自我的执行力。如果您确定对量化非常感兴趣且热爱，那么也不必纠结于年龄。这次我们来聊聊，想要进入量化行业，具体该怎么做。

自我评估

想要转入量化工作，我们首先需要对自己的背景、经验和技能进行坦率的评估。量化中任何一个岗位都要求一定的金融、数学和编程能力，不同的岗位对这三项能力的侧重有所不同，具体可以参考上一篇文章《量化金融有哪些职位可以选择？》

一点点体会

职业的转变也是人生中重要的一步，在考虑清楚自己是否要做量化金融后，就要为大量的学习做好准备。因为这会牺牲掉周末、假期的时间，如果是从和量化毫不相干的行业转过来的话，那很可能连工作日下班后的时间也要用来学习。这也是为什么我认为兴趣更重要，热爱才能坚持，no pain no gain,未来才能跟孩子说你爸当年…

‘捌’ Z变换表是什么样的

const static BYTE std_UV_QT[64] =
{
17, 18, 24, 47, 99, 99, 99, 99,
18, 21, 26, 66, 99, 99, 99, 99,
24, 26, 56, 99, 99, 99, 99, 99,
47, 66, 99 ,99, 99, 99, 99, 99,
99, 99, 99, 99, 99, 99, 99, 99,
99, 99, 99, 99, 99, 99, 99, 99,
99, 99, 99, 99, 99, 99, 99, 99,
99, 99, 99, 99, 99, 99, 99, 99
};

//正向 8x8 Z变换表

下载：
http://www.thebook.cn/uploadfile/book/4136/06915signal.zip
绪论
第1章 离散时间系统
1.1 概述
1.2 离散时间信号
1.3 离散时间系统
1.3.1 线性
1.3.2 时不变性
1.3.3 因果性
1.3.4 脉冲响应及卷积和
1.3.5 稳定性
1.4 差分方程与时域响应
1.5 连续时间信号的取样
1.5.1 基本理论
1.5.2 取样定理
1.6 MATLAB中的离散时间系统
1.7 小结
1.8 习题
第2章 z变换和傅里叶变换
2.1 概述
2.2 z变换的定义
2.3 z反变换
2.3.1 留数定理法求z反变换
2.3.2 部分分式展开法
2.3.3 多项式长除法
2.3.4 幂指数展开法
2.4 z变换的性质
2.4.1 线性
2.4.2 时间反转特性
2.4.3 移位特性
2.4.4 尺度变换特性
2.4.5 z域微分
2.4.6 共轭特性
2.4.7 实部与虚部序列
2.4.8 初值定理
2.4.9 卷积定理
2.4.10 序列相乘
2.4.11 Parseval(巴塞伐尔)定理
2.4.12 基本z变换表
2.5 传输函数
2.6 z域稳定性
2.7 频率响应
2.8 傅里叶变换
2.9 傅里叶变换的性质
2.9.1 线性
2.9.2 时间反转特性
2.9.3 时间移位特性
2.9.4 乘以指数序列(尺度变换特性)
2.9.5 微分特性
2.9.6 共轭特性
2.9.7 实部和虚部序列
2.9.8 对称和反对称序列
2.9.9 卷积定理
2.9.10 序列相乘(频域卷积)
2.9.11 Parseval定理
2.10 MATLAB中的传输函数
2.11 小结
2.12 习题
第3章 离散变换
3.1 概述
3.2 离散傅里叶变换
3.3 DFT的性质
3.3.1 线性
3.3.2 时间反转性
3.3.3 时间移位定理
3.3.4 频率圆周移位定理(调制定理)
3.3.5 时域圆周卷积
3.3.6 相关性
3.3.7 实序列和虚序列
3.3.8 对称序列与反对称序列
3.3.9 Parseval定理
3.3.10 DFT与z变换的关系
3.4 DFT数字滤波器
3.4.1 线性和圆周卷积
3.4.2 重叠相加法
3.4.3 重叠保留法
3.5 快速傅里叶变换
3.5.1 按时间抽取的基2算法
3.5.2 按频率抽取
3.5.3 基4算法
3.5.4 任意基N算法
3.5.5 计算DFT的其他技巧
3.6 其他离散变换
3.6.1 离散余弦变换
3.6.2 正余弦变换类
3.6.3 离散Hartley变换
3.6.4 Hadamard变换
3.6.5 其他重要变换
3.7 信号表示
3.8 MATLAB中的离散变换
3.9 小结
3.10 习题
第4章 数字滤波器
4.1 概述
4.2 非递归数字滤波器的基本结构
4.2.1 直接型
4.2.2 级联型
4.2.3 线性相位型
4.3 递归数字滤波器的基本结构
4.3.1 直接型
4.3.2 级联型
4.3.3 并联型
4.4 数字网络的分析
4.5 状态空间描述
4.6 数字网络的基本特性
4.6.1 Tellegen定理
4.6.2 互逆性
4.6.3 网络间互逆性
4.6.4 转置性
4.6.5 灵敏度
4.7 用MATLAB实现数字滤波器
4.8 小结
4.9 习题
第5章 FIR滤波器的设计
5.1 概述
5.2 标准滤波器的理想特性
5.2.1 低通、高通、带通和带阻滤波器
5.2.2 微分器
5.2.3 希尔伯特转换器
5.2.4 总结
5.3 FIR滤波器的逼近方法——频率取样法
5.4 FIR滤波器的设计法——窗函数法
5.4.1 矩形窗
5.4.2 三角窗
5.4.3 汉明窗和汉宁窗
5.4.4 布莱克曼窗
5.4.5 凯泽窗
5.4.6 Dolph-Chebyshev窗
5.5 最平滤波器设计法
5.6 FIR滤波器的优化设计法
5.6.1 加权最小平方的方法
5.6.2 切比雪夫逼近法
5.6.3 WLS-Chebyshev方法
5.7 FIR滤波器设计方法的MATLAB实现
5.8 小结
5.9 习题
第6章 IIR滤波器的设计方法
6.1 概述
6.2 模拟滤波器的设计
6.2.1 模拟滤波器的特性
6.2.2 巴特沃思逼近
6.2.3 切比雪夫逼近
6.2.4 椭圆逼近
6.2.5 频率变换
6.3 连续时间和离散时间的变换
6.3.1 脉冲响应不变法
6.3.2 双线性变换法
6.4 离散时间域中的频率变换
6.4.1 数字低通—低通变换
6.4.2 数字低通—高通变换
6.4.3 数字低通—带通变换
6.4.4 数字低通—带阻变换
6.4.5 可变截止频率的滤波器设计
6.5 幅度和相位逼近
6.5.1 基本原理
6.5.2 多变量函数的最小化方法
6.5.3 替换的方法
6.6 时域逼近
6.7 MATLAB中IIR滤波器逼近的命令
6.8 总结
6.9 习题

第7章 有限精度效应
7.1 概述
7.2 二进制数表示
7.2.1 定点制
7.2.2 浮点制
7.3 乘积量化
7.4 信号比例调整
7.5 系数量化
7.5.1 灵敏度指标的确定
7.5.2 字长的统计预测
7.6 极限环
7.6.1 颗粒极限环
7.6.2 溢出极限环
7.6.3 零输入极限环的消除
7.6.4 消除常数输入极限环
7.6.5 溢出非线性数字滤波器的强迫响应稳定性
7.7 小结
7.8 习题

第8章 多率值系统
8.1 概述
8.2 基本原理
8.3 下取样
8.4 内插
8.5 分数倍变速
8.6 逆操作
8.7 用下取样和内插高效地实现滤波器
8.7.1 窄带FIR滤波器
8.7.2 具有窄过渡带的宽带FIR滤波器
8.8 用MATLAB设计多率值系统
8.9 小结
8.10 习题
第9章 滤波器组和小波
9.1 概述
9.2 滤波器组
9.2.1 带通信号的抽取
9.2.2 带通信号抽取的逆操作
9.2.3 临界抽取M通道滤波器组
9.3 准确重建
9.3.1 恒等变换
9.3.2 多相分解
9.3.3 转换开关结构
9.3.4 多相结构的M通道滤波器组
9.3.5 M通道准确重建滤波器组
9.3.6 多路复用器
9.4 通用的2通道准确重建滤波器组
9.5 QMF滤波器组
9.6 CQF滤波器组
9.7 块变换
9.8 余弦调制滤波器组
9.9 重叠变换
9.9.1 快速算法和双正交LOT
9.9.2 通用LOT
9.10 小波变换
9.10.1 分级滤波器组
9.10.2 小波
9.10.3 尺度函数
9.10.4 x(t)和x(n)的关系
9.10.5 小波和滤波器系数的关系
9.10.6 正则性
9.10.7 举例

9.11 用MATLAB实现滤波器组和小波函数
9.12 小结
9.13 习题
第10章 高效FIR结构
10.1 概述
10.2 格型
10.3 多相型
10.4 频域型
10.5 递归求和型
10.6 减少运算量的实现方法
10.6.1 预滤波器法
10.6.2 内插法
10.6.3 频率响应掩蔽法
10.6.4 正交法
10.7 用MATLAB设计FIR滤波器
10.8 小结
10.9 习题

第11章 高效IIR结构
11.1 概述
11.2 并联和级联型IIR滤波器
11.2.1 并联型
11.2.2 级联型
11.2.3 误差频谱整形
11.2.4 闭合形式的比例调整
11.3 状态空间单元
11.3.1 最佳状态空间单元
11.3.2 无极限环的状态空间单元
11.4 格型滤波器
11.5 波滤波器
11.5.1 动机
11.5.2 波特性器件
11.5.3 格型波数字滤波器
11.6 用MATLAB实现高效的IIR结构
11.7 小结
11.8 习题
第12章 DSP系统的实现
12.1 概述
12.2 基本器件
12.2.1 补码表示的性质
12.2.2 串行加法器
12.2.3 串行乘法器
12.2.4 并行加法器
12.2.5 并行乘法器
12.3 分布式算法实现
12.4 可编程逻辑器件
12.5 ASIC实现
12.6 数字信号处理器
12.6.1 Analog Devices公司DSP
12.6.2 Motorola公司DSP
12.6.3 Texas Instruments公司DSP
12.7 小结
12.8 习题
参考文献
本书包含了数字信号处理（DSP）系统分析和设计的所有重要内容，采用现代的方法讨论问题，包括MATLAB范例和其他仿真工具的介绍。主要内容包括：数字信号处理系统的使用，如何用多项式和比值多项式逼近转移函数并保持转移函数的特性，为什么在应用中要将转移函数用适当的结构进行图形表示，滤波器组和小波设计，以及信号时域和频域表述的相互关系。
本书可作为高等院校电子和通信等专业本科或研究生教材，也可作为信号处理系统开发工程技术人员的参考用书。

‘玖’ 大学学的编程，工作中有用吗

现在随着计算机水平的进步，各行业的自动化都在蓬勃进展，计算机和代码广泛深入到了很多领域。现在谁骂“程序员是屌丝”，其实已经是开了一个很大的地图炮了，因为各行各业现在都有程序员。除了BAT（腾讯阿里网络）这类传统互联网公司之外，银行、实业公司、研究机构、政府机关等等组织和公司，都有做网站\分析数据\写自动化辅助工具程序\写组织管理程序等等多种需求。 那么种种程序员的工作，有多少工作需要数学呢？需要怎么样的数学呢？

首先毫无疑问地，程序员，就是所有“对着电脑，用手敲下特定编程语言构成的代码的人”的总称。我们要分析程序员的工作，也就是写代码。

我个人把写代码的工作分为五类，不一定正确和全面啊，就是个概念性的分类：
1. 第一类是结构性的工作。这类工作把特定的代码、代码段（函数）、代码库构成具有特定功能的程序，这些程序可以接受特定的数据、输出特定的数据。例子如网站的界面、 软件的界面、 软件的一些可视化功能，再复杂一些有网站前端如何与后端通信、如何分配用户请求给后端，如何处理两个并行的程序、通信过程、计算机系统等等。结构性工作需要的是经验以及对已有数据结构的了解，并不需要特别高的数学水平。我说的经验指的是对于一个特定的想要实现的功能，如何选择程序逻辑和数据结构去实现，这种选择的过程需要程序员有大量读写代码的基础，能够把要实现的功能和自己以前实现过的或者看到过的功能联系起来，设计出解决方案并实现。举个例子，比如说网页设计，通过HTML的元素构建页面，通过javascript给页面元素以动态，这个过程基本是“所见即所得”的过程。
目前大部分的互联网公司以及银行系统需求的主要都是这类工作。为了实现特定功能，程序有非常复杂的结构，必须要很多人一同参与编写和测试，因此才有了软件工程这门学科的诞生。
结构性工作的巅峰产物是计算机操作系统。计算机操作系统虽然复杂，但是其中涉及到的数学并不多，最复杂的数学就是如何处理多个任务的调度以及进行内存分配管理，都可以抽象成简单的离散数学和排列组合问题。不过，1万行的操作系统和100万行的操作系统的数学理论复杂度是差不多的，他们主要的区别是结构性的，而非数学上的。比如支持更多种CPU、硬件外设、网络协议等等。

2. 第二类是效率性的工作。这类工作把特定的工程问题抽象成数学问题，然后发明新的数据结构或者操作逻辑去优化解决问题的效率。最简单的例子是排序，用冒泡排序或者快速排序给大批量数据做整理有显着的时间差别，这个大家都知道的……计算机科学家们主要从事的就是这类工作,需要极高的组合数学和图论等知识。早期的效率性问题通常依靠较为复杂的离散数学，而近年来大部分问题都是应用图论来解决。解决这类问题需要程序员对大部分的数据结构都有深刻的理解，并且能够进行严格的理论分析，能够清楚地指出某种数据结构或操作逻辑的时间效率和内存效率。上面谈到的cqf 16岁发明的数据结构，就属于这类工作……反正我对这类工作毫无天赋，继离散数学败了以后，后来的高级算法课成绩也很差。
效率性工作的巅峰产物是一套书叫做《The Art of Computer Programming》，作者是斯坦福大学的教授Donald.E.Knuth。这部神书包含了人类已知的大部分计算机算法的理论分析和最优形式， 50年来被公认为算法领域的圣经。吃透这套书，就可以拿到世界上最好的程序员的工作了（比尔盖茨说如果谁看懂了这套书，就请把简历发给他……），当然这很不容易。我至今只认真看了第一本的前言。

兼有前两类工作的巅峰产物是淘宝网，尤其是双十一前后的淘宝网。不解释太多，大家可以看文章《揭秘在淘宝买东西背后的复杂技术》。Google这两年在这方面做的不如淘宝，因为中国人实在太多了……

3. 第三类是逻辑性的工作。指的是用计算机模拟人类的认知逻辑，这类工作包括语音识别、文字理解、信息检索、数据分析等等。这类工作最早属于高大上的人工智能、自然语言处理研究，后来随着互联网的兴起开始逐步进入大众视野。这类工作的主要基础是概率统计、机器学习和数据挖掘的模型，包含的数学知识主要有概率、线性代数和图论。由于互联网公司和金融公司对于机器学习的需求，相关的基础知识已经发展得非常成熟，如何学习这类知识也已经有很规范的教程。如今在硅谷，程序员不懂点机器学习，都不好意思出门和人打招呼。
这类工作的应用大约是这样的：通过分析用户在淘宝上买东西的数据，推测他还会买啥；通过分析股市的变化以及一些市场信息，推测股市下一步涨还是跌。还有就是分析搜索关键词给出搜索结果，分析语音信号转化成文字等等。这些不同的应用都是为了分析数据，都有类似的处理模型和数学方法。
近年来在机器学习的基础上人们发明了深度学习。这个我不是很懂，不好加以评论。但是我知道这类工作的主要目的是模仿人类的认知能力。特别地，机器学习领域最基础最出名的模型“神经网络”，已经被生物学家证明是比较好的对于人类大脑逻辑的模拟。
这类工作说简单也简单，说难也可以很难。你只需要学过大学一年级的线性代数，就可以理解神经网络、支持向量机等机器学习的模型，然后自己训练模型去分析数据了——这也是大部分硅谷公司的需求。网络新任首席科学家Andrew Ng在Coursera上有个机器学习的公开课，讲完神经网络之后他就说：“Good，你现在已经比大部分硅谷工程师更加了解机器学习了。”（真的不是黑么）然而机器学习的模型背后的数学非常深奥，比如说神经网络可以等效成一些复杂的高维拓扑结构，网络的训练实际上是这些拓扑结构做拓扑变换的过程。比如如果待训练的数据维数非常高，要选择合适的函数降维。为了理解这些东西，需要深入学习线性代数、拓扑学、数学分析等数学知识。其实我说的我也不是很懂，我没系统学过拓扑