新書推薦：
《
生物安全与环境
》
售價：HK$
56.4
《
泥土：文明的侵蚀（城市与生态文明丛书）
》
售價：HK$
84.0
《
医用化学（第三版）
》
售價：HK$
57.3
《
别怕，试一试
》
售價：HK$
67.9
《
人才基因（凝聚30年人才培育经验与智慧）
》
售價：HK$
103.4
《
深度学习详解
》
售價：HK$
114.8
《
李白传（20世纪文史学家李长之经典传记）
》
售價：HK$
45.8
《
津轻：日本无赖派文学代表太宰治自传性随笔集
》
售價：HK$
66.7
|
| 編輯推薦： |
·经典文献导读，提炼机器学习与经济金融交叉学科的重要性及研究重点；
·真实案例研究，聚焦经济与金融学课的学术界与产业界应用；
·提供大量源码，在代码实战中入门并精通TensorFlow 2
|
| 內容簡介： |
|
本书侧重于实证维度的经济和金融问题，以及如何用机器学习方法求解这些问题，通过建立相关模型得出相应的结论。这包括各种区分深度学习模型(DNNs、cnn、lstm和DQNs)、生成机器学习模型(gan和VAEs)和基于树的模型。本书内容还涵盖了经济学和机器学习的经验方法的交叉，包括回归分析，自然语言处理，和降维。本书的读者对象为本专科学生以及研究生，在经济和金融领域工作的数据科学家，公共和私营部门的经济学家，以及社会科学研究者。
|
| 目錄：
|
第1章TensorFlow 2简介1
1.1安装TensorFlow1
1.2TensorFlow 2和1的区别2
1.3TensorFlow与经济金融9
1.3.1机器学习10
1.3.2理论模型13
1.4张量简介14
1.5TensorFlow中的线性代数和微积分15
1.5.1常量和变量15
1.5.2线性代数16
1.5.3微分学24
1.6在TensorFlow中加载应用数据35
1.7本章小结37
参考文献37
第2章机器学习与经济学38
2.1大数据: 计量经济学的新绝技(Varian 2014)38
2.2策略预测问题(Kleinberg等，2015)39
2.3“机器学习: 一个应用计量经济学技巧”(Mullainathan
和Spiess，2017)41
2.4“机器学习对经济学的影响”(Athey，2019)42
2.4.1机器学习和传统计量经济学方法42
2.4.2现有的机器学习程序44
2.4.3政策分析44
2.4.4研究热点和预测45
2.5“经济学家应该了解的机器学习方法”(Athey和
Imbens，2019)462.6“将文本作为数据”(Gentzkow等，2019)46
2.6.1将文本表示为数据47
2.6.2统计方法47
2.6.3应用49
2.7“如何让机器学习对宏观经济预测有用”(Coulombe等， 2019)49
2.8本章小结50
参考文献51
TensorFlow 2机器学习实战——聚焦经济金融科研与产业的深度学习模型目录
第3章回归52
3.1线性回归52
3.1.1概述52
3.1.2普通最小二乘法54
3.1.3最小绝对偏差56
3.1.4其他的损失函数61
3.2部分线性模型61
3.3非线性回归65
3.4逻辑回归69
3.5损失函数70
3.5.1离散因变量70
3.5.2连续因变量71
3.6优化器72
3.6.1随机梯度下降(Stochastic Gradient Descent， SGD)73
3.6.2一些改进的优化器74
3.7本章小结75
参考文献76
第4章树77
4.1决策树77
4.1.1概述77
4.1.2特征工程79
4.1.3模型训练79
4.2回归树81
4.3随机森林82
4.4梯度提升树83
4.4.1分类树84
4.4.2回归树86
4.5模型调优88
4.6本章小结89
参考文献89
第5章图像分类90
5.1图像数据91
5.2神经网络94
5.3Keras96
5.3.1序贯式API96
5.3.2函数式API103
5.4Estimators105
5.5卷积神经网络107
5.5.1卷积层107
5.5.2卷积神经网络的训练108
5.6预训练好的模型112
5.6.1特征提取112
5.6.2模型调优115
5.7本章小结115
参考文献116
第6章文本数据117
6.1数据清洗和准备118
6.1.1数据收集118
6.1.2文本数据表征120
6.1.3数据准备122
6.2词袋模型127
6.3基于词典的方法131
6.4词嵌入136
6.5主题建模137
6.6文本回归143
6.7文本分类154
6.8本章小结155
参考文献156
第7章时间序列157
7.1机器学习的序贯模型157
7.1.1稠密神经网络157
7.1.2循环神经网络162
7.1.3长短期记忆167
7.1.4中间隐状态169
7.2多元预测172
7.2.1LSTM172
7.2.2梯度提升树174
7.3本章小结177
参考文献178
第8章降维179
8.1经济学中的降维179
8.1.1主成分分析180
8.1.2偏最小二乘187
8.2自编码器模型189
8.3本章小结194
参考文献195
第9章生成式模型196
9.1变分自编码器196
9.2生成式对抗网络203
9.3经济与金融领域的应用209
9.4本章小结209
参考文献210
第10章理论模型211
10.1处理理论模型211
10.1.1吃蛋糕问题212
10.1.2新古典商业周期模型217
10.2深度强化学习222
10.3本章小结226
参考文献226
术语/短语对照及索引表227
|
| 內容試閱：
|
机器学习的浪潮正在席卷全球，诸如机器学习(Machine Learning)、深度学习(Deep Learning)、神经网络(Neural Network)等专业词汇，也逐渐走入了大众的视野。
互联网技术和计算机技术的不断发展使得人们在互联网上生成了海量的数据，而计算机运算力的提升和机器学习新算法(如深度学习等)的出现， 则促进了机器学习的大爆发。
机器学习最基本的做法是使用算法来解析数据，从中学习规则和关系， 然后对真实世界中的问题做出决策和预测。
目前机器学习方法在指纹识别、人脸识别和物体检测等领域都已达到了商业化的要求。而深度学习则更是将机器学习的应用领域扩大到无人驾驶汽车、语音识别、医疗技术等领域。
机器学习目前已经在经济与金融领域崭露头角，获得了一些非常成功的应用。例如，通过图像识别可以预测港口或交通枢纽的物流及人流信息，从而预测该区域的经济状况。
本书对机器学习模型和方法在经济与金融领域的典型应用，以及未来可能的应用做了较为深入的介绍。
在内容讲述方面，本书深入浅出，摒弃了许多复杂的数学公式，通过一个个具体的案例，对机器学习在经济与金融领域不同方向的应用做了生动的讲解，让读者能很快掌握相关机器学习模型的原理和机制。
读者学习完本书之后，结合一些机器学习、深度学习的理论基础，将可以独立进行机器学习在经济与金融领域的应用开发。
为了与国内读者的阅读习惯保持一致，译者将程序的运行结果统一放在了“程序运行结果”一栏。
书中的程序代码基本无须修改就可以直接运行，因此读者在阅读本书之前，只需要具备简单的Python语言基础即可。
在翻译本书的过程中，译者参考了周志华老师的《机器学习》、李子奈老师的《计量经济学》、同济大学数学系的《高等数学》等图书，还参考了“机器之心”微信公众号的部分文章，以及CSDN技术社区的一些文章，在此对这些书籍与文章的作者、编者表示感谢。同时，感谢颜健健博士对部分专业术语翻译给出的意见，以及万伟国博士在数据集下载方面提供的帮助。
此外，本书的翻译工作受到了国家自然科学基金项目(72261016，71861013)、江西财经大学校级教改课题(JG2021049)、江西省教育厅科技项目(GJJ200515)的支持，也一并表示感谢！
由于翻译仓促，本书难免存在不足，恳请读者批评指正。
最后，衷心希望本书的内容能让读者受益，也能让读者获得良好的阅读体验！
朱文强 2023年1月
|
|
購物車/收銀台(
0
) | 在線留言板
| 付款方式
| 運費計算
| 聯絡我們
| 幫助中心 |
加入書簽
HOME
新書上架
