PyCon TW x PyHug Meetup

了解不同類型的西佛星系的可以幫助我們更了解星系的演化與形成，然而這類星系光譜型態很複雜，造成天文學家花費很多時間在光譜的分類上，我們利用 pytorch 建立一個一維 Convolution Neural Network (CNN) 模型作為光譜分類器，使用西佛 1.9 與 2.0 星系的光譜給模型學習辨認兩者光譜的差異，訓練後的模型可以分辨出西佛 1.9 星系的精確率高達八成，也能從西佛 2.0 星系的樣本裡挑出額外的西佛 1.9 星系，這額外的西佛 1.9 星系可以增加訓練模型的樣本數，再次訓練後的模型分辨出西佛1.9星系的精確率提高至九成。 使用CNN模型可以比傳統的方法更快更準確地區分出這兩種類型的西佛星系，也能收集到比以前多的西佛 1.9 星系的光譜，這些西佛 1.9 星系可以提供天文學家關於宿主星系型態、黑洞吸積 (accretion) 的環境以及黑洞質量，進而了解星系形成演化與其黑洞的關係。

近年來，指數化投資愈來愈盛行，策略型投資如 Smart Beta 更是受到市場青睞。國內外機構法人不再安於傳統 Top down 的投資方式。將部分資產從以往重視區域曝險、國家曝險或產業別曝險，推進為因子曝險!為 Smart Beta 投資燃起一股旋風! 然而，從回測數據中清楚顯示，這些聰明因子雖然長期而言能夠帶來風險溢酬，但在不同的市場環境表現卻有相當大的差異。比方說動能因子在牛市表現很好，在熊市中表現卻非常差。 究竟什麼時候該採用什麼因子，一直是一個深受重視的議題。另外，在量化投資領域中，除了基本面外，技術面與籌碼面也都相當受到投資人的重視，然而不同的訊號時常會帶來矛盾。股價的複雜度及非線性造成股價難以預測，讓我們不禁想到，既然AI這麼聰明，是否能夠幫我們解決投資上的難題? 很榮幸本篇文章今年初被刊登在 Journal of Banking and Financial Technology，本次演講將與大家詳細分享裡頭的內容，包含特徵建構、模型建構、回測以及績效評估等等。希望本次的演講能夠摒除大家對"機器學習好複雜"的刻板印象，並且激發各位動手打造屬於自己的 AI 選股系統。

CVPR 被認為是計算機視覺領域最重要的會議之一的年度會議。與這些會議對應的還有很多計算機視覺演算法比賽，這些比賽代表著新興、或實用、或有趣的、或被忽略的研究方向。當中 Low Power Computer Vision (LPCV) Challenge 是一項年度競賽，旨在提高計算機視覺的能效，以便在資源緊張的系統上運行。將分享如何這些比賽過程的策略及技巧，甚至失敗經驗過程中，提升個人能力

NMF (Non-negative Matrix Factorization, 又稱非負矩陣分解)，是在機器學習中，對資料做降維相當有用的一種方式，也常用在資料分析、聲源分離等應用。隨著近年來深度學習的興起，開始有研究試圖將類似的概念應用到 NMF，做出類似的多層深度模型。但因為 NMF 參數非負的特性，將 NMF 的參數更新方式推廣到多層且結構複雜的模型並非易事。本演講將會分享，如何運用深度學習套件 PyTorch 的自動微分機制，重新解析 NMF 的目標函數，將NMF的乘法參數更新方式，推廣應用到任意的 NMF 模型。