دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب Reinforcement Learning for Finance: Solve Problems in Finance with CNN and RNN Using the TensorFlow Library
دانلود کتاب آموزش تقویتی برای امور مالی: حل مشکلات در امور مالی با CNN و RNN با استفاده از کتابخانه TensorFlow
مشخصات کتاب
Reinforcement Learning for Finance: Solve Problems in Finance with CNN and RNN Using the TensorFlow Library
ویرایش:
نویسندگان: Samit Ahlawat
سری:
ISBN (شابک) : 9781484288344, 9781484288351
ناشر: Apress
سال نشر: 2023
تعداد صفحات: 435
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 18 Mb
قیمت کتاب (تومان) : 37,000
در صورت تبدیل فایل کتاب Reinforcement Learning for Finance: Solve Problems in Finance with CNN and RNN Using the TensorFlow Library 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 آموزش تقویتی برای امور مالی: حل مشکلات در امور مالی با CNN و RNN با استفاده از کتابخانه TensorFlow 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 آموزش تقویتی برای امور مالی: حل مشکلات در امور مالی با CNN و RNN با استفاده از کتابخانه TensorFlow
Reinforcement Learning for Finance با توصیف روش هایی برای آموزش شبکه های عصبی آغاز می شود. در مرحله بعد، CNN و RNN را مورد بحث قرار می دهد - دو نوع شبکه عصبی که به عنوان شبکه های یادگیری عمیق در یادگیری تقویتی استفاده می شوند. علاوه بر این، این کتاب به نظریه یادگیری تقویتی می پردازد و فرآیند تصمیم گیری مارکوف، تابع ارزش، خط مشی و گرادیان های خط مشی را با فرمول بندی های ریاضی و الگوریتم های یادگیری توضیح می دهد. این الگوریتم‌های یادگیری تقویتی اخیر را از شبکه‌های دو عمقی Q تا گرادیان‌های سیاست قطعی عمیق دوگانه با تأخیر و شبکه‌های متخاصم مولد را با مثال‌هایی با استفاده از کتابخانه TensorFlow Python پوشش می‌دهد. همچنین به عنوان یک راهنمای عملی سریع برای برنامه نویسی TensorFlow عمل می کند که مفاهیمی از متغیرها و نمودارها تا تمایز خودکار، لایه ها، مدل ها و توابع از دست دادن را پوشش می دهد. کتابخانه‌های شبکه‌های عصبی مانند TensorFlow، PyTorch و Caffe سهم فوق‌العاده‌ای در توسعه، آزمایش و استقرار سریع شبکه‌های عصبی عمیق داشته‌اند، اما من بیشتر برنامه‌های کاربردی را محدود به علوم کامپیوتر، بینایی کامپیوتر و روباتیک یافتم. استفاده از الگوریتم های یادگیری تقویتی در امور مالی یادآور کمبود متون در این زمینه بود. علاوه بر این، متوجه شدم که به مقالات و مقالات علمی برای اثبات ریاضی الگوریتم های جدید یادگیری تقویتی مراجعه می کنم. این باعث شد که این کتاب را بنویسم تا منبعی یک‌جا برای برنامه‌نویسان پایتون برای یادگیری تئوری یادگیری تقویتی، همراه با مثال‌های عملی برگرفته از حوزه مالی، ارائه کنم. در کاربردهای عملی، یادگیری تقویتی از شبکه های عصبی عمیق استفاده می کند. برای تسهیل بیان موضوعات در یادگیری تقویتی و برای تداوم، این کتاب همچنین مقدمه ای بر TensorFlow ارائه می دهد و موضوعات شبکه های عصبی مانند شبکه های عصبی کانولوشن (CNN) و شبکه های عصبی مکرر (RNN) را پوشش می دهد. در نهایت، این کتاب همچنین خوانندگان را با نوشتن کدهای یادگیری تقویتی مدولار، قابل استفاده مجدد و توسعه پذیر آشنا می کند. پس از کار بر روی توسعه استراتژی‌های معاملاتی با استفاده از یادگیری تقویتی و انتشار مقالات، احساس کردم کتابخانه‌های یادگیری تقویتی موجود مانند TF-Agents به شدت با چارچوب پیاده‌سازی زیربنایی مرتبط هستند و مفاهیم محوری در یادگیری تقویتی را به‌گونه‌ای بیان نمی‌کنند که به اندازه کافی مدولار باشد تا کسی که آگاه باشد. با مفاهیمی برای استفاده از کتابخانه TF-Agent یا گسترش الگوریتم های آن برای برنامه های خاص. نمونه کدهای پوشش داده شده در این کتاب نمونه هایی از نحوه نوشتن کدهای مدولار برای یادگیری تقویتی را ارائه می دهد. پس از تکمیل این کتاب، یادگیری تقویتی با q عمیق و شبکه های متخاصم مولد را با استفاده از کتابخانه TensorFlow درک خواهید کرد.
توضیحاتی درمورد کتاب به خارجی
Reinforcement Learning for Finance begins by describing methods for training neural networks. Next, it discusses CNN and RNN – two kinds of neural networks used as deep learning networks in reinforcement learning. Further, the book dives into reinforcement learning theory, explaining the Markov decision process, value function, policy, and policy gradients, with their mathematical formulations and learning algorithms. It covers recent reinforcement learning algorithms from double deep-Q networks to twin-delayed deep deterministic policy gradients and generative adversarial networks with examples using the TensorFlow Python library. It also serves as a quick hands-on guide to TensorFlow programming, covering concepts ranging from variables and graphs to automatic differentiation, layers, models, and loss functions. Neural network libraries like TensorFlow, PyTorch, and Caffe had made tremendous contributions in the rapid development, testing, and deployment of deep neural networks, but I found most applications restricted to computer science, computer vision, and robotics. Having to use reinforcement learning algorithms in finance served as another reminder of the paucity of texts in this field. Furthermore, I found myself referring to scholarly articles and papers for mathematical proofs of new reinforcement learning algorithms. This led me to write this book to provide a one-stop resource for Python programmers to learn the theory behind reinforcement learning, augmented with practical examples drawn from the field of finance. In practical applications, reinforcement learning draws upon deep neural networks. To facilitate exposition of topics in reinforcement learning and for continuity, this book also provides an introduction to TensorFlow and covers neural network topics like convolutional neural networks (CNNs) and recurrent neural networks (RNNs). Finally, this book also introduces readers to writing modular, reusable, and extensible reinforcement learning code. Having worked on developing trading strategies using reinforcement learning and publishing papers, I felt existing reinforcement learning libraries like TF-Agents are tightly coupled with the underlying implementation framework and do not express central concepts in reinforcement learning in a manner that is modular enough for someone conversant with concepts to pick up TF-Agent library usage or extend its algorithms for specific applications. The code samples covered in this book provide examples of how to write modular code for reinforcement learning. After completing this book, you will understand reinforcement learning with deep q and generative adversarial networks using the TensorFlow library.
