Effective Statistical Learning Methods for Actuaries III: Neural Networks and Extensions

ویرایش: [1st ed. 2019] 
نویسندگان: Michel Denuit,  Donatien Hainaut,  Julien Trufin  
سری: Springer Actuarial 
ISBN (شابک) : 9783030258269, 9783030258276 
ناشر: Springer International Publishing 
سال نشر: 2019 
تعداد صفحات: XIII, 250
[258] 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 12 Mb 

قیمت کتاب (تومان) : 52,000



این کتاب برخی از جدیدترین پیشرفت‌ها در شبکه‌های عصبی را با تمرکز بر کاربردها در علوم اکچوئری و امور مالی مرور می‌کند. این به طور همزمان ابزارهای مربوطه را برای توسعه و تجزیه و تحلیل شبکه های عصبی، به سبکی که از نظر ریاضی دقیق و در عین حال قابل دسترسی است، معرفی می کند.

هوش مصنوعی و شبکه های عصبی جایگزین قدرتمندی برای روش های آماری برای تجزیه و تحلیل داده ها هستند. موضوعات مختلفی از شبکه‌های پیش‌خور تا یادگیری عمیق، مانند یادگیری بیزی، روش‌های تقویت و مدل‌های حافظه کوتاه‌مدت طولانی پوشش داده می‌شود. همه روش‌ها برای ادعاها، مرگ‌ومیر یا پیش‌بینی سری‌های زمانی به کار می‌روند.

این کتاب که فقط به دانش اولیه آمار نیاز دارد، برای دانشجویان کارشناسی ارشد در علوم اکچوئری و برای آکچوئری‌هایی که مایل به به‌روزرسانی مهارت‌های خود در یادگیری ماشین هستند نوشته شده است.< p>

این سومین جلد از سه جلد با عنوان روشهای یادگیری آماری موثر برای آکچوئرها است. این مجموعه که توسط اکچوئرها برای اکچوئرها نوشته شده است، یک مرور کلی از تجزیه و تحلیل داده های بیمه با برنامه های کاربردی برای P&C، بیمه عمر و سلامت ارائه می دهد. اگرچه این جلد با دو جلد دیگر مرتبط است، اما می توان این جلد را به طور مستقل خواند.

This book reviews some of the most recent developments in neural networks, with a focus on applications in actuarial sciences and finance. It simultaneously introduces the relevant tools for developing and analyzing neural networks, in a style that is mathematically rigorous yet accessible.

Artificial intelligence and neural networks offer a powerful alternative to statistical methods for analyzing data. Various topics are covered from feed-forward networks to deep learning, such as Bayesian learning, boosting methods and Long Short Term Memory models. All methods are applied to claims, mortality or time-series forecasting.

Requiring only a basic knowledge of statistics, this book is written for masters students in the actuarial sciences and for actuaries wishing to update their skills in machine learning.

This is the third of three volumes entitled Effective Statistical Learning Methods for Actuaries. Written by actuaries for actuaries, this series offers a comprehensive overview of insurance data analytics with applications to P&C, life and health insurance. Although closely related to the other two volumes, this volume can be read independently.