Ocena:
Książka jest kompleksowym i dobrze zorganizowanym przewodnikiem po uczeniu maszynowym w finansach, chwalonym za jasne wyjaśnienia, praktyczne przykłady kodu Python i podejście pedagogiczne. Skutecznie obejmuje zarówno teoretyczne, jak i praktyczne aspekty tematu, dzięki czemu jest odpowiednia zarówno dla studentów, jak i profesjonalistów. Niektórzy recenzenci zwrócili jednak uwagę na słabe praktyczne przykłady i brak studiów przypadku, co może nie zadowolić tych, którzy szukają bezpośrednich zastosowań koncepcji.
Zalety:⬤ Kompleksowe omówienie koncepcji uczenia maszynowego istotnych dla finansów.
⬤ Przejrzyste wyjaśnienia z naciskiem zarówno na teorię, jak i praktyczne zastosowania.
⬤ Dobra struktura z ćwiczeniami, pytaniami wielokrotnego wyboru i zasobami dla instruktorów.
⬤ Integracja przykładów kodu Python do praktycznej nauki.
⬤ Innowacyjne sekcje na tematy takie jak odwrotne uczenie ze wzmocnieniem i metody bayesowskie.
⬤ Niektórzy czytelnicy stwierdzili, że jest to bardziej teoretyczne odniesienie niż praktyczny przewodnik.
⬤ Brak szczegółowych studiów przypadków i dogłębnych praktycznych zastosowań może sprawić, że doświadczeni praktycy będą chcieli więcej.
⬤ Jako pierwsze wydanie, brakuje jej dopracowania w niektórych obszarach.
(na podstawie 35 opinii czytelników)
Machine Learning in Finance: From Theory to Practice
Rozdział 1. Wprowadzenie.
- Rozdział 2. Modelowanie probabilistyczne. - Rozdział 3.
Regresja bayesowska i procesy gaussowskie.
- Rozdział 4. Sieci neuronowe typu feed forward.
- Rozdział 5. Interpretowalność. - Rozdział 6.
Modelowanie sekwencji. - Rozdział 7. Probabilistyczne modelowanie sekwencji.
- Rozdział 8. Zaawansowane sieci neuronowe.
- Rozdział 9. Wprowadzenie do uczenia ze wzmocnieniem. - Rozdział 10.
Zastosowania uczenia ze wzmocnieniem.
- Rozdział 11. Odwrotne uczenie ze wzmocnieniem i uczenie przez naśladowanie. - Rozdział 12.
Granice uczenia maszynowego i finansów.
