Machine Learning for Economics and Finance in TensorFlow 2: Deep Learning Models for Research and Industry

یادگیری ماشین زمان زیادی را صرف حرکت به فضای اقتصاد دانشگاهی کرده است. این به این دلیل است که تحقیقات تجربی در اقتصاد بر شناسایی روابط علّی در مدل‌های آماری صرف تمرکز دارد. در حالی که یادگیری ماشین به سمت پیش بینی گرایش دارد و به طور کلی به علیت یا صرف نظری علاقه ای ندارد. این شکافی را برای دانشجویان، دانشگاهیان و متخصصانی که فاقد یک مرجع استاندارد در مورد یادگیری ماشین برای اقتصاد و امور مالی هستند، ایجاد می‌کند.
این کتاب بر مشکلات اقتصادی و مالی با بعد تجربی تمرکز دارد، جایی که روش‌های یادگیری ماشین ممکن است چیزی ارزشمند ارائه دهند. این شامل پوشش انواع مدل‌های یادگیری عمیق متمایز (DNN، CNN، LSTMs، و DQN)، مدل‌های یادگیری ماشین مولد (GAN و VAE) و مدل‌های مبتنی بر درخت است. همچنین تلاقی روش‌های تجربی در اقتصاد و یادگیری ماشین را پوشش می‌دهد، از جمله تجزیه و تحلیل رگرسیون، پردازش زبان طبیعی، و کاهش ابعاد.
TensorFlow مجموعه ابزاری را ارائه می‌دهد که می‌تواند برای تعریف و حل هر مدل مبتنی بر نمودار، از جمله مدل‌های معمول استفاده شود. در اقتصاد استفاده می شود. این کتاب به گونه‌ای طراحی شده است که از طریق دنباله‌ای از مثال‌های کامل آموزش دهد، که هر کدام از نظر یک مشکل اقتصادی خاص مورد علاقه یا موضوع چارچوب بندی شده‌اند. این موضوع مفاهیم پیچیده را ساده می‌کند و خواننده را قادر می‌سازد تا با استفاده از TensorFlow، مدل‌های نظری در اقتصاد و امور مالی را حل کند.
آنچه خواهید آموخت• مدل‌های یادگیری ماشین را در TensorFlow 2 تعریف، آموزش و ارزیابی کنید• به کار بردن مفاهیم اساسی در یادگیری ماشینی، مانند یادگیری عمیق و پردازش زبان طبیعی، در مسائل اقتصادی و مالی • حل مدل‌های نظری در اقتصاد
این کتاب برای چه کسانی استدانش‌آموزان، دانشمندان داده‌ای که در اقتصاد کار می‌کنند و امور مالی، اقتصاددانان بخش دولتی و خصوصی، و دانشمندان علوم اجتماعی دانشگاهی

Machine learning has taken time to move into the space of academic economics. This is because empirical research in economics is concentrated on the identification of causal relationships in parsimonious statistical models; whereas machine learning is oriented towards prediction and is generally uninterested in either causality or parsimony. That leaves a gap for students, academics, and professionals who lack a standard reference on machine learning for economics and finance.
This book focuses on economic and financial problems with an empirical dimension, where machine learning methods may offer something of value. This includes coverage of a variety of discriminative deep learning models (DNNs, CNNs, LSTMs, and DQNs), generative machine learning models (GANs and VAEs), and tree-based models. It also covers the intersection of empirical methods in economics and machine learning, including regression analysis, natural language processing, and dimensionality reduction.
TensorFlow offers a toolset that can be used to define and solve any graph-based model, including those commonly used in economics. This book is structured to teach through a sequence of complete examples, each framed in terms of a specific economic problem of interest or topic. This simplifies otherwise complicated concepts, enabling the reader to solve workhorse theoretical models in economics and finance using TensorFlow.
What You'll Learn• Define, train, and evaluate machine learning models in TensorFlow 2• Apply fundamental concepts in machine learning, such as deep learning and natural language processing, to economic and financial problems • Solve theoretical models in economics
Who This Book Is ForStudents, data scientists working in economics and finance, public and private sector economists, and academic social scientists