TensorFlow 2機器學習實戰(zhàn)：聚焦經(jīng)濟金融科研與產(chǎn)業(yè)的深度學習模型

定　價：￥88.00

作　者：	（瑞典）以賽亞·赫爾(Isaiah Hull)著，朱文強譯
出版社：	清華大學出版社
叢編項：
標　簽：	暫缺

購買這本書可以去

當當網(wǎng) (￥88.00)

ISBN：	9787302631583	出版時間：	2023-06-01	包裝：	平裝-膠訂
開本：	16開	頁數(shù)：		字數(shù)：

內(nèi)容簡介

　　本書側(cè)重于實證維度的經(jīng)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(guān)模型得出相應(yīng)的結(jié)論。這包括各種區(qū)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(nèi)容還涵蓋了經(jīng)濟學和機器學習的經(jīng)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?？茖W生以及研究生，在經(jīng)濟和金融領(lǐng)域工作的數(shù)據(jù)科學家，公共和私營部門的經(jīng)濟學家，以及社會科學研究者。

作者簡介

暫缺《TensorFlow 2機器學習實戰(zhàn)：聚焦經(jīng)濟金融科研與產(chǎn)業(yè)的深度學習模型》作者簡介

圖書目錄

第1章TensorFlow 2簡介1
1.1安裝TensorFlow1
1.2TensorFlow 2和1的區(qū)別2
1.3TensorFlow與經(jīng)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(shù)和微積分15
1.5.1常量和變量15
1.5.2線性代數(shù)16
1.5.3微分學24
1.6在TensorFlow中加載應(yīng)用數(shù)據(jù)35
1.7本章小結(jié)37
參考文獻37
第2章機器學習與經(jīng)濟學38
2.1大數(shù)據(jù): 計量經(jīng)濟學的新絕技(Varian 2014)38
2.2策略預(yù)測問題(Kleinberg等，2015)39
2.3“機器學習: 一個應(yīng)用計量經(jīng)濟學技巧”(Mullainathan
和Spiess，2017)41
2.4“機器學習對經(jīng)濟學的影響”(Athey，2019)42
2.4.1機器學習和傳統(tǒng)計量經(jīng)濟學方法42
2.4.2現(xiàn)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(yù)測45
2.5“經(jīng)濟學家應(yīng)該了解的機器學習方法”(Athey和
Imbens，2019)462.6“將文本作為數(shù)據(jù)”(Gentzkow等，2019)46
2.6.1將文本表示為數(shù)據(jù)47
2.6.2統(tǒng)計方法47
2.6.3應(yīng)用49
2.7“如何讓機器學習對宏觀經(jīng)濟預(yù)測有用”(Coulombe等， 2019)49
2.8本章小結(jié)50
參考文獻51
TensorFlow 2機器學習實戰(zhàn)——聚焦經(jīng)濟金融科研與產(chǎn)業(yè)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(shù)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(shù)70
3.5.1離散因變量70
3.5.2連續(xù)因變量71
3.6優(yōu)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(yōu)化器74
3.7本章小結(jié)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(diào)優(yōu)88
4.6本章小結(jié)89
參考文獻89
第5章圖像分類90
5.1圖像數(shù)據(jù)91
5.2神經(jīng)網(wǎng)絡(luò)94
5.3Keras96
5.3.1序貫式API96
5.3.2函數(shù)式API103
5.4Estimators105
5.5卷積神經(jīng)網(wǎng)絡(luò)107
5.5.1卷積層107
5.5.2卷積神經(jīng)網(wǎng)絡(luò)的訓練108
5.6預(yù)訓練好的模型112
5.6.1特征提取112
5.6.2模型調(diào)優(yōu)115
5.7本章小結(jié)115
參考文獻116
第6章文本數(shù)據(jù)117
6.1數(shù)據(jù)清洗和準備118
6.1.1數(shù)據(jù)收集118
6.1.2文本數(shù)據(jù)表征120
6.1.3數(shù)據(jù)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(jié)155
參考文獻156
第7章時間序列157
7.1機器學習的序貫?zāi)Ｐ?57
7.1.1稠密神經(jīng)網(wǎng)絡(luò)157
7.1.2循環(huán)神經(jīng)網(wǎng)絡(luò)162
7.1.3長短期記憶167
7.1.4中間隱狀態(tài)169
7.2多元預(yù)測172
7.2.1LSTM172
7.2.2梯度提升樹174
7.3本章小結(jié)177
參考文獻178
第8章降維179
8.1經(jīng)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(jié)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(wǎng)絡(luò)203
9.3經(jīng)濟與金融領(lǐng)域的應(yīng)用209
9.4本章小結(jié)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(yè)周期模型217
10.2深度強化學習222
10.3本章小結(jié)226
參考文獻226
術(shù)語/短語對照及索引表227