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

图书标准信息

• 作者 [瑞典]以赛亚·赫尔(Isaiah Hull)著 朱文强 译
• 出版社 清华大学出版社
• 出版时间 2023-06
• 版次 1
• ISBN 9787302631583
• 定价 88.00元
• 装帧 其他
• 开本 16开
• 纸张 胶版纸
• 页数 528页
• 字数 370千字

【内容简介】

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。

【作者简介】

:
    以赛亚·赫尔，是瑞典中央银行研究部的资深经济学家，博士毕业于美国波士顿学院，从事计算经济学、机器学习、微观金融、金融科技等方面的研究。Isaiah Hull博士也在DataCamp平台上讲授课程，包括“基于Python的TensorFlow导论”（Introduction to TensorFlow in Python）等，目前正从事将量子计算、量子货币引入经济学科中的交叉学科研究项目。

【目录】

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