Ocena:
Obecnie brak opinii czytelników. Ocena opiera się na 4 głosach.
Machine Learning for Economics and Finance in Tensorflow 2: Deep Learning Models for Research and Industry
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.
© 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)