Gépi tanulás a közgazdaságtan és a pénzügyek számára Tensorflow 2: Mélytanulási modellek a kutatás és az ipar számára

Olvasói vélemények

Jelenleg nincsenek olvasói vélemények. Az értékelés 4 olvasói szavazat alapján történt.

Eredeti címe:

Machine Learning for Economics and Finance in Tensorflow 2: Deep Learning Models for Research and Industry

Könyv tartalma:

1. fejezet: TensorFlow 2. 0.

A fejezet célja: A TensorFlow 2 bemutatása és a TensorFlow-ra jellemző konvenciók és gyakorlatok előzetes anyagának megvitatása.

- A TensorFlow iterációk közötti különbségek.

- TensorFlow a közgazdaságtan és a pénzügyek számára.

- Bevezetés a tenzorokba.

- A lineáris algebra és a számtan áttekintése.

- Adatok betöltése a TensorFlow-ban való használathoz.

- Állandók és változók definiálása.

2. fejezet: Gépi tanulás és közgazdaságtan.

A fejezet célja: A gépi tanulási modellek magas szintű áttekintése, és annak ismertetése, hogy hogyan alkalmazhatók a közgazdaságtanban és a pénzügyekben. A fejezet egy része áttekinti a közgazdaságtanban már létező munkákat, és a jövőbeli felhasználási eseteket is megtippeli.

- Bevezetés a gépi tanulásba.

- Gépi tanulás a közgazdaságtanban és a pénzügyekben.

- Nem felügyelt gépi tanulás.

- Felügyelt gépi tanulás.

- Rendszerezés.

- Előrejelzés.

- Értékelés.

fejezet: Regresszió.

Fejezet célja: Magyarázza el, hogy a regressziós modelleket a gépi tanulásban elsősorban előrejelzési célokra használják, nem pedig hipotézisvizsgálatra, mint a közgazdaságtanban. Mutassa be a regressziós modellek megoldására használt értékelési metrikákat és optimalizálási rutinokat.

- Lineáris regresszió.

- Részlegesen lineáris regresszió.

- Nem lineáris regresszió.

- Logisztikus regresszió.

- Veszteségfüggvények.

- Értékelési mérőszámok.

- Optimalizálók.

fejezet: Fák.

A fejezet célja: A fa alapú modellek és az együttesek fogalmának bemutatása.

- Döntési fák.

- Regressziós fák.

- Véletlen erdők.

- Modellhangolás.

fejezet: Fokozati erősítés.

A fejezet célja: A gradiens boosting bemutatása és az alkalmazás, a modellek hangolása és a fontos jellemzők azonosítása.

- Bevezetés a gradiens boostingba.

- Fokozás regressziós modellekkel.

- Boosting fákkal.

- Modellhangolás.

- A jellemzők fontossága.

fejezet: Képek.

A fejezet célja: A magas szintű Keras és Estimators API-k bemutatása. Annak magyarázata, hogy ezek a könyvtárak hogyan használhatók a képosztályozás elvégzésére különböző mélytanulási modellek felhasználásával. Továbbá tárgyalja az előzetesen betanított modellek és a finomhangolás használatát. Spekuláljon a képosztályozás gazdasági és pénzügyi felhasználási lehetőségeiről.

- Keras.

- Becslők.

- Adatelőkészítés.

- Mély neurális hálózat.