TensorFlow 2 機器學習實戰：聚焦經濟金融科研與產業的深度學習模型 Machine Learning for Economics and Finance in TensorFlow 2: Deep Learning Models for Research and Industry
（瑞典）以賽亞·赫爾(Isaiah Hull)著 朱文強 譯
- 出版商: 清華大學
- 出版日期: 2023-06-01
- 定價: $528
- 售價: 8.5 折 $449
- 語言: 簡體中文
- 頁數: 264
- 裝訂: 平裝
- ISBN: 7302631581
- ISBN-13: 9787302631583
-
相關分類:
DeepLearning、TensorFlow、Machine Learning
- 此書翻譯自: Machine Learning for Economics and Finance in Tensorflow 2: Deep Learning Models for Research and Industry
立即出貨 (庫存 < 4)
買這商品的人也買了...
-
具體數學：計算機科學基礎, 2/e$774$735 -
線性代數, 9/e (Leon: Linear Algebra with Application, 9/e)$720$706 -
$7095G NR 物理層技術詳解：原理、模型和組件 (5G Physical Layer: Principles, Models and Technology Components) -
機器學習在量化金融中的應用$414$393 -
$403Python 量化金融編程從入門到精通 -
金融中的機器學習$611$575 -
統計策略搜索強化學習方法及應用$474$450 -
簡單線性代數 漫畫線性代數入門$359$341 -
MATLAB 信號處理 — 算法、模擬與實現$570$542 -
圖解 TensorFlow 2 初學篇：實作 tf.keras + Colab 雲端、深度學習、人工智慧、影像辨識$820$640 -
$458代碼中的軟件工程 -
TensorFlow 2.x 高級電腦視覺$774$735 -
$454機器學習算法與實現 — Python 編程與應用實例 -
大前端三劍客 — Vue + React + Flutter$1,066$1,003 -
$184機器學習與量化交易 -
深度強化學習理論與實踐$534$507 -
$505深度學習：數學基礎、算法模型與實戰 -
$356對照Excel，零基礎學Python數據分析 -
$500貝葉斯計量經濟學前沿理論及應用 -
深度序列模型與自然語言處理：基於 TensorFlow 2 實踐$594$564 -
Flutter 小白開發 — 跨平臺客戶端應用開發學習路線$593$563 -
從深度學習到圖神經網絡：模型與實踐$648$616 -
$485機器學習與學資源適配 -
量子人工智能$474$450 -
$356深度學習技術與應用
相關主題
商品描述
本書側重於實證維度的經濟和金融問題，以及如何用機器學習方法求解這些問題，通過建立相關模型得出相應的結論。這包括各種區分深度學習模型(DNNs、cnn、lstm和DQNs)、生成機器學習模型(gan和VAEs)和基於樹的模型。本書內容還涵蓋了經濟學和機器學習的經驗方法的交叉，包括回歸分析，自然語言處理，和降維。本書的讀者對象為本專科學生以及研究生，在經濟和金融領域工作的數據科學家，公共和私營部門的經濟學家，以及社會科學研究者。
目錄大綱
目錄
第1章TensorFlow 2簡介1
1.1安裝TensorFlow1
1.2TensorFlow 2和1的區別2
1.3TensorFlow與經濟金融9
1.3.1機器學習10
1.3.2理論模型13
1.4張量簡介14
1.5TensorFlow中的線性代數和微積分15
1.5.1常量和變量15
1.5.2線性代數16
1.5.3微分學24
1.6在TensorFlow中加載應用數據35
1.7本章小結37
參考文獻37
第2章機器學習與經濟學38
2.1大數據: 計量經濟學的新絕技(Varian 2014)38
2.2策略預測問題(Kleinberg等，2015)39
2.3“機器學習: 一個應用計量經濟學技巧”(Mullainathan
和Spiess，2017)41
2.4“機器學習對經濟學的影響”(Athey，2019)42
2.4.1機器學習和傳統計量經濟學方法42
2.4.2現有的機器學習程序44
2.4.3政策分析44
2.4.4研究熱點和預測45
2.5“經濟學家應該瞭解的機器學習方法”(Athey和
Imbens，2019)462.6“將文本作為數據”(Gentzkow等，2019)46
2.6.1將文本表示為數據47
2.6.2統計方法47
2.6.3應用49
2.7“如何讓機器學習對宏觀經濟預測有用”(Coulombe等， 2019)49
2.8本章小結50
參考文獻51
TensorFlow 2機器學習實戰——聚焦經濟金融科研與產業的深度學習模型目錄
第3章回歸52
3.1線性回歸52
3.1.1概述52
3.1.2普通最小二乘法54
3.1.3最小絕對偏差56
3.1.4其他的損失函數61
3.2部分線性模型61
3.3非線性回歸65
3.4邏輯回歸69
3.5損失函數70
3.5.1離散因變量70
3.5.2連續因變量71
3.6優化器72
3.6.1隨機梯度下降(Stochastic Gradient Descent, SGD)73
3.6.2一些改進的優化器74
3.7本章小結75
參考文獻76
第4章樹77
4.1決策樹77
4.1.1概述77
4.1.2特徵工程79
4.1.3模型訓練79
4.2回歸樹81
4.3隨機森林82
4.4梯度提升樹83
4.4.1分類樹84
4.4.2回歸樹86
4.5模型調優88
4.6本章小結89
參考文獻89
第5章圖像分類90
5.1圖像數據91
5.2神經網絡94
5.3Keras96
5.3.1序貫式API96
5.3.2函數式API103
5.4Estimators105
5.5捲積神經網絡107
5.5.1捲積層107
5.5.2捲積神經網絡的訓練108
5.6預訓練好的模型112
5.6.1特徵提取112
5.6.2模型調優115
5.7本章小結115
參考文獻116
第6章文本數據117
6.1數據清洗和準備118
6.1.1數據收集118
6.1.2文本數據表徵120
6.1.3數據準備122
6.2詞袋模型127
6.3基於詞典的方法131
6.4詞嵌入136
6.5主題建模137
6.6文本回歸143
6.7文本分類154
6.8本章小結155
參考文獻156
第7章時間序列157
7.1機器學習的序貫模型157
7.1.1稠密神經網絡157
7.1.2循環神經網絡162
7.1.3長短期記憶167
7.1.4中間隱狀態169
7.2多元預測172
7.2.1LSTM172
7.2.2梯度提升樹174
7.3本章小結177
參考文獻178
第8章降維179
8.1經濟學中的降維179
8.1.1主成分分析180
8.1.2偏最小二乘187
8.2自編碼器模型189
8.3本章小結194
參考文獻195
第9章生成式模型196
9.1變分自編碼器196
9.2生成式對抗網絡203
9.3經濟與金融領域的應用209
9.4本章小結209
參考文獻210
第10章理論模型211
10.1處理理論模型211
10.1.1吃蛋糕問題212
10.1.2新古典商業周期模型217
10.2深度強化學習222
10.3本章小結226
參考文獻226
術語/短語對照及索引表227
