中圖網小程序
一鍵登錄
更方便
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
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 版權信息
- ISBN：9787302631583
- 條形碼：9787302631583 ; 978-7-302-63158-3
- 裝幀：平裝-膠訂
- 冊數：暫無
- 重量：暫無
- 所屬分類：>>
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 本書特色
·經典文獻導讀，提煉機器學習與經濟金融交叉學科的重要性及研究重點；
·真實案例研究，聚焦經濟與金融學課的學術界與產業界應用；
·提供大量源碼，在代碼實戰中入門并精通TensorFlow 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 內容簡介
本書側重于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)和基于樹的模型。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。
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“經濟學家應該了解的機器學習方法”(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*小二乘法54
3.1.3*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特征工程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卷積神經網絡107
5.5.1卷積層107
5.5.2卷積神經網絡的訓練108
5.6預訓練好的模型112
5.6.1特征提取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文本數據表征120
6.1.3數據準備122
6.2詞袋模型127
6.3基于詞典的方法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*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
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“經濟學家應該了解的機器學習方法”(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*小二乘法54
3.1.3*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特征工程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卷積神經網絡107
5.5.1卷積層107
5.5.2卷積神經網絡的訓練108
5.6預訓練好的模型112
5.6.1特征提取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文本數據表征120
6.1.3數據準備122
6.2詞袋模型127
6.3基于詞典的方法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*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
展開全部
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 作者簡介
以賽亞·赫爾，是瑞典中央銀行研究部的資深經濟學家，博士畢業于美國波士頓學院，從事計算經濟學、機器學習、微觀金融、金融科技等方面的研究。Isaiah Hull博士也在DataCamp平臺上講授課程，包括“基于Python的TensorFlow導論”（Introduction to TensorFlow in Python）等，目前正從事將量子計算、量子貨幣引入經濟學科中的交叉學科研究項目。
書友推薦
- >
有舍有得是人生
- >
煙與鏡
- >
【精裝繪本】畫給孩子的中國神話
- >
我從未如此眷戀人間
- >
名家帶你讀魯迅:故事新編
- >
上帝之肋:男人的真實旅程
- >
苦雨齋序跋文-周作人自編集
- >
中國人在烏蘇里邊疆區:歷史與人類學概述
本類暢銷
