دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش: نویسندگان: Qingquan Tony Zhang, Beibei Li, Danxia Xie سری: Palgrave Studies in Risk and Insurance ISBN (شابک) : 3031116119, 9783031116117 ناشر: Palgrave Macmillan سال نشر: 2022 تعداد صفحات: 339 [340] زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 7 Mb
در صورت تبدیل فایل کتاب Alternative Data and Artificial Intelligence Techniques: Applications in Investment and Risk Management به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب داده های جایگزین و تکنیک های هوش مصنوعی: کاربردها در مدیریت سرمایه گذاری و ریسک نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
این کتاب یک رویکرد پیشرفته را در ارزیابی مدیریت پورتفولیو و ریسک بر اساس هوش مصنوعی و داده های جایگزین معرفی می کند. این کتاب تجزیه و تحلیل متنی اخبار و رسانههای اجتماعی، استخراج اطلاعات از دادههای GPS و اینترنت اشیا، و پیشبینی ریسک بر اساس دادههای تراکنشهای کوچک و غیره را پوشش میدهد. این کتاب پیشرفتها در هر حوزه را خلاصه و معرفی میکند و تکنیکهای یادگیری ماشین و یادگیری عمیق را برجسته میکند. برای دستیابی به اهداف مورد استفاده قرار گیرد. به عنوان مکمل، همچنین نمونههایی را در مورد نحوه استفاده از بسته پایتون برای تجسم و تجزیه و تحلیل مجموعه دادههای جایگزین نشان میدهد و برای دانشگاهیان، محققان و دانشجویان ارزیابی ریسک، مدیریت ریسک، دادهها، هوش مصنوعی و نوآوریهای مالی مورد علاقه خواهد بود.
This book introduces a state-of-art approach in evaluating portfolio management and risk based on artificial intelligence and alternative data. The book covers a textual analysis of news and social media, information extraction from GPS and IoTs data, and risk predictions based on small transaction data, etc. The book summarizes and introduces the advancement in each area and highlights the machine learning and deep learning techniques utilized to achieve the goals. As a complement, it also illustrates examples on how to leverage the python package to visualize and analyze the alternative datasets, and will be of interest to academics, researchers, and students of risk evaluation, risk management, data, AI, and financial innovation.