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

  • 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-preview-1
  • 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-preview-2
  • 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-preview-3
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-preview-1

買這商品的人也買了...

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