Apprendimento automatico per l'economia e la finanza in Tensorflow 2: Modelli di apprendimento profondo per la ricerca e l'industria

Recensioni dei lettori

Attualmente non ci sono recensioni dei lettori. La valutazione si basa su 4 voti.

Titolo originale:

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

Contenuto del libro:

Capitolo 1: TensorFlow 2. 0.

Obiettivo del capitolo: introdurre TensorFlow 2 e discutere il materiale preliminare sulle convenzioni e le pratiche specifiche di TensorFlow.

- Differenze tra le iterazioni di TensorFlow.

- TensorFlow per l'economia e la finanza.

- Introduzione ai tensori.

- Ripasso dell'algebra lineare e del calcolo.

- Caricamento dei dati da utilizzare in TensorFlow.

- Definizione di costanti e variabili.

Capitolo 2: Apprendimento automatico ed economia.

Obiettivo del capitolo: fornire una panoramica di alto livello dei modelli di apprendimento automatico e spiegare come possono essere impiegati in economia e finanza. Una parte del capitolo passerà in rassegna il lavoro esistente in economia e ipotizzerà i casi d'uso futuri.

- Introduzione all'apprendimento automatico.

- Apprendimento automatico per l'economia e la finanza.

- Apprendimento automatico non supervisionato.

- Apprendimento automatico supervisionato.

- Regolarizzazione.

- Predizione.

- Valutazione.

Capitolo 3: Regressione.

Obiettivo del capitolo: spiegare come i modelli di regressione siano utilizzati principalmente per scopi di previsione nell'apprendimento automatico, piuttosto che per testare le ipotesi, come nel caso dell'economia. Introdurre le metriche di valutazione e le routine di ottimizzazione utilizzate per risolvere i modelli di regressione.

- Regressione lineare.

- Regressione parzialmente lineare.

- Regressione non lineare.

- Regressione logistica.

- Funzioni di perdita.

- Metriche di valutazione.

- Ottimizzatori.

Capitolo 4: Alberi.

Obiettivo del capitolo: introdurre i modelli ad albero e il concetto di ensemble.

- Alberi decisionali.

- Alberi di regressione.

- Foreste casuali.

- Messa a punto del modello.

Capitolo 5: Gradient Boosting.

Obiettivo del capitolo: introdurre il gradient boosting e discutere come si applica, come si sintonizzano i modelli e come si identificano le caratteristiche importanti.

- Introduzione al gradient boosting.

- Boosting con modelli di regressione.

- Boosting con alberi.

- Sintonizzazione dei modelli.

- Importanza delle caratteristiche.

Capitolo 6: Immagini.

Obiettivo del capitolo: introdurre le API di alto livello di Keras e Estimators. Spiegare come queste librerie possono essere utilizzate per eseguire la classificazione delle immagini utilizzando una serie di modelli di deep learning. Discutere inoltre l'uso di modelli preaddestrati e la messa a punto. Specificare gli usi della classificazione delle immagini in economia e finanza.

- Keras.

- Stimatori.

- Preparazione dei dati.

- Rete neurale profonda.