Uczenie maszynowe dla ekonomii i finansów w Tensorflow 2: Modele głębokiego uczenia dla badań i przemysłu

Opinie czytelników

Obecnie brak opinii czytelników. Ocena opiera się na 4 głosach.

Oryginalny tytuł:

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

Zawartość książki:

Rozdział 1: TensorFlow 2. 0.

Cel rozdziału: Wprowadzenie do TensorFlow 2 i omówienie wstępnych materiałów na temat konwencji i praktyk specyficznych dla TensorFlow.

- Różnice między iteracjami TensorFlow.

- TensorFlow dla ekonomii i finansów.

- Wprowadzenie do tensorów.

- Przegląd algebry liniowej i rachunku różniczkowego.

- Ładowanie danych do użycia w TensorFlow.

- Definiowanie stałych i zmiennych.

Rozdział 2: Uczenie maszynowe i ekonomia.

Cel rozdziału: Przedstawienie ogólnego przeglądu modeli uczenia maszynowego i wyjaśnienie, w jaki sposób można je wykorzystać w ekonomii i finansach. Część rozdziału zawiera przegląd istniejących prac w dziedzinie ekonomii i spekulacje na temat przyszłych przypadków użycia.

- Wprowadzenie do uczenia maszynowego.

- Uczenie maszynowe dla ekonomii i finansów.

- Uczenie maszynowe bez nadzoru.

- Nadzorowane uczenie maszynowe.

- Regularyzacja.

- Przewidywanie.

- Ocena.

Rozdział 3: Regresja.

Cel rozdziału: Wyjaśnienie, w jaki sposób modele regresji są wykorzystywane głównie do celów predykcji w uczeniu maszynowym, a nie do testowania hipotez, jak ma to miejsce w ekonomii. Wprowadzenie wskaźników oceny i procedur optymalizacji używanych do rozwiązywania modeli regresji.

- Regresja liniowa.

- Regresja częściowo liniowa.

- Regresja nieliniowa.

- Regresja logistyczna.

- Funkcje straty.

- Wskaźniki oceny.

- Optymalizatory.

Rozdział 4: Drzewa.

Cel rozdziału: Wprowadzenie modeli opartych na drzewach i koncepcji zespołów.

- Drzewa decyzyjne.

- Drzewa regresyjne.

- Lasy losowe.

- Dostrajanie modeli.

Rozdział 5: Gradient Boosting.

Cel rozdziału: Wprowadzenie do boostingu gradientowego i omówienie jego zastosowania, sposobu dostrajania modeli i identyfikowania ważnych cech.

- Wprowadzenie do boostingu gradientowego.

- Boosting z modelami regresji.

- Boosting z wykorzystaniem drzew.

- Dostrajanie modeli.

- Znaczenie cech.

Rozdział 6: Obrazy.

Cel rozdziału: Wprowadzenie wysokopoziomowych interfejsów API Keras i Estimators. Wyjaśnienie, w jaki sposób biblioteki te mogą być wykorzystywane do klasyfikacji obrazów przy użyciu różnych modeli głębokiego uczenia. Omówienie wykorzystania wstępnie wytrenowanych modeli i ich dostrajania. Spekuluj na temat zastosowań klasyfikacji obrazów w ekonomii i finansach.

- Keras.

- Estymatory.

- Przygotowanie danych.

- Głębokie sieci neuronowe.