Bewertung:
Derzeit gibt es keine Leserbewertungen. Die Bewertung basiert auf 4 Stimmen.
Machine Learning for Economics and Finance in Tensorflow 2: Deep Learning Models for Research and Industry
Kapitel 1: TensorFlow 2. 0.
Ziel des Kapitels: Einführung in TensorFlow 2 und Diskussion von einleitendem Material über Konventionen und Praktiken, die spezifisch für TensorFlow sind.
- Unterschiede zwischen TensorFlow Iterationen.
- TensorFlow für Wirtschaft und Finanzen.
- Einführung in Tensoren.
- Überblick über lineare Algebra und Kalkül.
- Laden von Daten zur Verwendung in TensorFlow.
- Definieren von Konstanten und Variablen.
Kapitel 2: Maschinelles Lernen und Wirtschaft.
Ziel des Kapitels: Einen Überblick über Modelle des maschinellen Lernens zu geben und zu erklären, wie sie in der Wirtschafts- und Finanzwelt eingesetzt werden können. Ein Teil des Kapitels gibt einen Überblick über bestehende Arbeiten in den Wirtschaftswissenschaften und spekuliert über zukünftige Anwendungsfälle.
- Einführung in das maschinelle Lernen.
- Maschinelles Lernen für Wirtschaft und Finanzen.
- Unüberwachtes maschinelles Lernen.
- Überwachtes maschinelles Lernen.
- Regularisierung.
- Vorhersage.
- Bewertung.
Kapitel 3: Regression.
Ziel des Kapitels: Erläutern, wie Regressionsmodelle beim maschinellen Lernen in erster Linie für Vorhersagen verwendet werden und nicht für Hypothesentests, wie es in den Wirtschaftswissenschaften der Fall ist. Einführung in Bewertungsmetriken und Optimierungsroutinen, die zur Lösung von Regressionsmodellen verwendet werden.
- Lineare Regression.
- Teilweise lineare Regression.
- Nicht-lineare Regression.
- Logistische Regression.
- Verlustfunktionen.
- Bewertungsmetriken.
- Optimierer.
Kapitel 4: Bäume.
Ziel des Kapitels: Einführung in baumbasierte Modelle und das Konzept von Ensembles.
- Entscheidungsbäume.
- Regressionsbäume.
- Zufällige Wälder.
- Modell-Abstimmung.
Kapitel 5: Gradient Boosting.
Ziel des Kapitels: Einführung in das Gradient Boosting und Erörterung seiner Anwendung, der Abstimmung der Modelle und der Identifizierung wichtiger Merkmale.
- Einführung in Gradient Boosting.
- Boosting mit Regressionsmodellen.
- Boosting mit Bäumen.
- Modell-Abstimmung.
- Bedeutung von Merkmalen.
Kapitel 6: Bilder.
Ziel des Kapitels: Einführung in die Keras und Estimators APIs auf hoher Ebene. Erläutern Sie, wie diese Bibliotheken verwendet werden können, um Bildklassifizierungen mit einer Vielzahl von Deep-Learning-Modellen durchzuführen. Erläutern Sie außerdem die Verwendung von vortrainierten Modellen und die Feinabstimmung. Spekulieren Sie über die Verwendung der Bildklassifikation in der Wirtschafts- und Finanzwelt.
- Keras.
- Schätzer.
- Datenvorbereitung.
- Tiefe neuronale Netze.
| ISBN: | 9781484263723 |
| Autor: | |
| Verlag: | |
| Einband: | Taschenbuch |
| Erscheinungsjahr: | 2020 |
| Seitenzahl: | 368 |
Derzeit verfügbar, auf Lager.
