Ocena:
Obecnie brak opinii czytelników. Ocena opiera się na 2 głosach.
Econometrics and Data Science: Apply Data Science Techniques to Model Complex Problems and Implement Solutions for Economic Problems
Poznaj zastosowanie metod uczenia maszynowego w badaniach makroekonomicznych. Ta książka łączy ekonomię i naukę o danych.
Autor Tshepo Chris Nokeri rozpoczyna od wprowadzenia do analizy kowariancji, analizy korelacji, walidacji krzyżowej, optymalizacji hiperparametrów, analizy regresji i analizy reszt. Ponadto przedstawia podejście do walki z współliniowością. Następnie obala model szeregów czasowych uznawany za model addytywny. Ujawnia technikę binaryzacji cech ekonomicznych w celu przeprowadzenia analizy klasyfikacyjnej przy użyciu regresji logistycznej. Wprowadza Ukryty Model Markowa, wykorzystywany do odkrywania ukrytych wzorców i wzrostu w światowej gospodarce. Autor demonstruje nienadzorowane techniki uczenia maszynowego, takie jak analiza składowych głównych i analiza skupień. Kluczowe koncepcje głębokiego uczenia się i sposoby tworzenia sztucznych sieci neuronowych są badane wraz z ich szkoleniem i oceną ich wydajności. Technika symulacji Monte Carlo jest stosowana do stymulowania siły nabywczej pieniądza w gospodarce. Wreszcie, model równań strukturalnych (SEM) jest rozważany w celu zintegrowania analizy korelacji, analizy czynnikowej, analizy wielowymiarowej, analizy przyczynowej i analizy ścieżek.
Po przeczytaniu tej książki powinieneś być w stanie rozpoznać związek między ekonometrią a nauką o danych. Będziesz wiedział, jak zastosować podejście oparte na uczeniu maszynowym do modelowania złożonych problemów ekonomicznych i innych wykraczających poza ramy tej książki. Będziesz wiedział, jak obejść i poprawić wydajność modelu, wraz z praktycznymi implikacjami podejścia uczenia maszynowego w ekonometrii, i będziesz w stanie poradzić sobie z palącymi problemami ekonomicznymi.
Czego się nauczysz
⬤ Badać złożone, wielowymiarowe, liniowe struktury przyczynowo-skutkowe za pomocą techniki analizy ścieżkowej i strukturalnej, w tym nieliniowości i stanów ukrytych.
⬤ Zapoznać się z praktycznymi zastosowaniami uczenia maszynowego i głębokiego uczenia w ekonometrii.
⬤ Zrozumienie ram teoretycznych i rozwoju hipotez oraz technik wyboru odpowiednich modeli.
⬤ Rozwijać, testować, weryfikować i ulepszać kluczowe nadzorowane (tj. regresja i klasyfikacja) i nienadzorowane (tj. redukcja wymiarów i analiza skupień) modele uczenia maszynowego, wraz z sieciami neuronowymi, modelami Markowa i SEM.
⬤ Przedstawiać i interpretować dane i modele.
Dla kogo jest ta książka
Początkujący i średnio zaawansowani analitycy danych, ekonomiści, inżynierowie uczenia maszynowego, statystycy i kadra kierownicza.
© Book1 Group - wszelkie prawa zastrzeżone.
Zawartość tej strony nie może być kopiowana ani wykorzystywana w całości lub w części bez pisemnej zgody właściciela.
Ostatnia aktualizacja: 2024.11.13 21:45 (GMT)