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: Jaydip Sen. Sidra Mehtab
سری:
ISBN (شابک) : 1527583244, 9781527583245
ناشر: Cambridge Scholars Publishing
سال نشر: 2022
تعداد صفحات: 384
[385]
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 14 Mb
در صورت تبدیل فایل کتاب Machine Learning in the Analysis and Forecasting of Financial Time Series 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 در تحلیل و پیشبینی سریهای زمانی مالی 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 مجموعهای از موارد واقعی است که نحوه مدیریت دادههای سری زمانی مالی چالشبرانگیز و ناپایدار را برای درک بهتر رفتار گذشته و پیشبینی قوی حرکت آینده آنها نشان میدهد. این نشان میدهد که چگونه مفاهیم و تکنیکهای آماری، اقتصادسنجی، یادگیری ماشینی و یادگیری عمیق برای ساخت مدلهای پیشبینی قوی، و راههایی که در آن این مدلها میتوانند برای ساخت سبد سرمایهگذاریهای سودآور استفاده شوند، به کار میروند. تمام مفاهیم و روشهای مورد استفاده در اینجا با استفاده از زبانهای R و Python در چارچوبهای TensorFlow و Keras پیادهسازی شدهاند. این کتاب به ویژه برای دانشجویان پیشرفته تحصیلات تکمیلی و دکتری مالی، اقتصاد، اقتصاد سنجی، آمار، علوم داده، علوم کامپیوتر و فناوری اطلاعات مفید خواهد بود.
This book is a collection of real-world cases, illustrating how to handle challenging and volatile financial time series data for a better understanding of their past behavior and robust forecasting of their future movement. It demonstrates how the concepts and techniques of statistical, econometric, machine learning, and deep learning are applied to build robust predictive models, and the ways in which these models can be used for constructing profitable portfolios of investments. All the concepts and methods used here have been implemented using R and Python languages on TensorFlow and Keras frameworks. The book will be particularly useful for advanced postgraduate and doctoral students of finance, economics, econometrics, statistics, data science, computer science, and information technology.
Dedication Table of Contents List of Figures List of Tables Preface Chapter 1 Chapter 2 Chapter 3 Chapter 4 Chapter 5 Chapter 6 Chapter 7 Contributors