مشخصات کتاب

Machine Learning for Finance: the Practical Guide to Using Data-Driven Algorithms in Banking, Insurance, and Investments

ویرایش:  
نویسندگان: Klaas. Jannes  
سری: Expert insight 
ISBN (شابک) : 9781789134698, 1789134692 
ناشر: Packt Publishing, Limited 
سال نشر: 2019 
تعداد صفحات: 0 
زبان: English 
فرمت فایل : EPUB (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 21 مگابایت 

کلمات کلیدی مربوط به کتاب یادگیری ماشینی برای امور مالی: راهنمای عملی استفاده از الگوریتم های داده محور در بانکداری، بیمه و سرمایه گذاری: مالی -- پردازش داده ها ، امور مالی -- مدل های ریاضی ، یادگیری ماشینی ، کتاب های الکترونیکی ، امور مالی -- پردازش داده ها ، امور مالی -- مدل های ریاضی

در صورت تبدیل فایل کتاب Machine Learning for Finance: the Practical Guide to Using Data-Driven Algorithms in Banking, Insurance, and Investments 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 یادگیری ماشینی برای امور مالی: راهنمای عملی استفاده از الگوریتم های داده محور در بانکداری، بیمه و سرمایه گذاری 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.

توضیحاتی در مورد کتاب یادگیری ماشینی برای امور مالی: راهنمای عملی استفاده از الگوریتم های داده محور در بانکداری، بیمه و سرمایه گذاری

پوشش دادن؛ کپی رایت؛ Mapt upsell; مشارکت کنندگان؛ فهرست مطالب؛ پیشگفتار؛ فصل 1: شبکه های عصبی و بهینه سازی مبتنی بر گرادیان. سفر ما در این کتاب؛ یادگیری ماشین چیست؟ یادگیری تحت نظارت؛ یادگیری بدون نظارت؛ یادگیری تقویتی؛ اثربخشی نامعقول داده ها؛ همه مدل ها اشتباه هستند. تنظیم فضای کاری خود؛ استفاده از هسته های Kaggle؛ اجرای نوت بوک به صورت محلی؛ نصب TensorFlow؛ نصب Keras; استفاده از داده ها به صورت محلی؛ استفاده از AMI یادگیری عمیق AWS؛ توابع تقریبی؛ یک پاس رو به جلو؛ یک رگرسیون لجستیک؛ نسخه پایتون رگرسیور لجستیک ما؛ یادگیری ماشینی برای امور مالی به شما نشان می‌دهد که چگونه مدل‌های یادگیری ماشینی را برای استفاده در سازمان‌های خدمات مالی بسازید. به شما نشان می دهد که چگونه با تمام مدل های کلیدی یادگیری ماشین، از رگرسیون ساده تا شبکه های عصبی پیشرفته، کار کنید. شما از یادگیری ماشینی برای خودکارسازی وظایف دستی، رسیدگی به سوگیری سیستماتیک و یافتن بینش های جدید استفاده خواهید کرد...

توضیحاتی درمورد کتاب به خارجی

Cover; Copyright; Mapt upsell; Contributors; Table of Contents; Preface; Chapter 1: Neural Networks and Gradient-Based Optimization; Our journey in this book; What is machine learning?; Supervised learning; Unsupervised learning; Reinforcement learning; The unreasonable effectiveness of data; All models are wrong; Setting up your workspace; Using Kaggle kernels; Running notebooks locally; Installing TensorFlow; Installing Keras; Using data locally; Using the AWS deep learning AMI; Approximating functions; A forward pass; A logistic regressor; Python version of our logistic regressor;Machine Learning for Finance shows you how to build machine learning models for use in financial services organizations. It shows you how to work with all the key machine learning models, from simple regression to advanced neural networks. You will use machine learning to automate manual tasks, address systematic bias, and find new insights ...

فهرست مطالب

Cover
 Copyright
 Mapt upsell
 Contributors
 Table of Contents
 Preface
 Chapter 1: Neural Networks and Gradient-Based Optimization
 Our journey in this book
 What is machine learning?
 Supervised learning
 Unsupervised learning
 Reinforcement learning
 The unreasonable effectiveness of data
 All models are wrong
 Setting up your workspace
 Using Kaggle kernels
 Running notebooks locally
 Installing TensorFlow
 Installing Keras
 Using data locally
 Using the AWS deep learning AMI
 Approximating functions
 A forward pass
 A logistic regressor
 Python version of our logistic regressor Optimizing model parametersMeasuring model loss
 Gradient descent
 Backpropagation
 Parameter updates
 Putting it all together
 A deeper network
 A brief introduction to Keras
 Importing Keras
 A two-layer model in Keras
 Stacking layers
 Compiling the model
 Training the model
 Keras and TensorFlow
 Tensors and the computational graph
 Exercises
 Summary
 Chapter 2: Applying Machine Learning to Structured Data
 The data
 Heuristic, feature-based, and E2E models
 The machine learning software stack
 The heuristic approach
 Making predictions using the heuristic model
 The F1 score Evaluating with a confusion matrixThe feature engineering approach
 A feature from intuition --
fraudsters don't sleep
 Expert insight --
transfer, then cash out
 Statistical quirks --
errors in balances
 Preparing the data for the Keras library
 One-hot encoding
 Entity embeddings
 Tokenizing categories
 Creating input models
 Training the model
 Creating predictive models with Keras
 Extracting the target
 Creating a test set
 Creating a validation set
 Oversampling the training data
 Building the model
 Creating a simple baseline
 Building more complex models A brief primer on tree-based methodsA simple decision tree
 A random forest
 XGBoost
 E2E modeling
 Exercises
 Summary
 Chapter 3: Utilizing Computer Vision
 Convolutional Neural Networks
 Filters on MNIST
 Adding a second filter
 Filters on color images
 The building blocks of ConvNets in Keras
 Conv2D
 Kernel size
 Stride size
 Padding
 Input shape
 Simplified Conv2D notation
 ReLU activation
 MaxPooling2D
 Flatten
 Dense
 Training MNIST
 The model
 Loading the data
 Compiling and training
 More bells and whistles for our neural network
 Momentum
 The Adam optimizer
 Regularization L2 regularizationL1 regularization
 Regularization in Keras
 Dropout
 Batchnorm
 Working with big image datasets
 Working with pretrained models
 Modifying VGG-16
 Random image augmentation
 Augmentation with ImageDataGenerator
 The modularity tradeoff
 Computer vision beyond classification
 Facial recognition
 Bounding box prediction
 Exercises
 Summary
 Chapter 4: Understanding Time Series
 Visualization and preparation in pandas
 Aggregate global feature statistics
 Examining the sample time series
 Different kinds of stationarity
 Why stationarity matters
 Making a time series stationary
 When to ignore stationarity issues.

نظرات کاربران

کتاب های تصادفی

دانلود کتاب Transgenic Plants

دانلود کتاب Berenstain Bears Go To School

دانلود کتاب Schaum's Outline of Mechanical Vibrations

دانلود کتاب The Best American Food Writing 2018

دانلود کتاب Speckle Phenomena in Optics: Theory and Applications