TensorFlow 2機(jī)器學(xué)習(xí)實(shí)戰(zhàn)：聚焦經(jīng)濟(jì)金融科研與產(chǎn)業(yè)的深度學(xué)習(xí)模型

第1章TensorFlow 2簡(jiǎn)介1
1.1安裝TensorFlow1
1.2TensorFlow 2和1的區(qū)別2
1.3TensorFlow與經(jīng)濟(jì)金融9
1.3.1機(jī)器學(xué)習(xí)10
1.3.2理論模型13
1.4張量簡(jiǎn)介14
1.5TensorFlow中的線性代數(shù)和微積分15
1.5.1常量和變量15
1.5.2線性代數(shù)16
1.5.3微分學(xué)24
1.6在TensorFlow中加載應(yīng)用數(shù)據(jù)35
1.7本章小結(jié)37
參考文獻(xiàn)37
第2章機(jī)器學(xué)習(xí)與經(jīng)濟(jì)學(xué)38
2.1大數(shù)據(jù): 計(jì)量經(jīng)濟(jì)學(xué)的新絕技(Varian 2014)38
2.2策略預(yù)測(cè)問(wèn)題(Kleinberg等，2015)39
2.3“機(jī)器學(xué)習(xí): 一個(gè)應(yīng)用計(jì)量經(jīng)濟(jì)學(xué)技巧”(Mullainathan
和Spiess，2017)41
2.4“機(jī)器學(xué)習(xí)對(duì)經(jīng)濟(jì)學(xué)的影響”(Athey，2019)42
2.4.1機(jī)器學(xué)習(xí)和傳統(tǒng)計(jì)量經(jīng)濟(jì)學(xué)方法42
2.4.2現(xiàn)有的機(jī)器學(xué)習(xí)程序44
2.4.3政策分析44
2.4.4研究熱點(diǎn)和預(yù)測(cè)45
2.5“經(jīng)濟(jì)學(xué)家應(yīng)該了解的機(jī)器學(xué)習(xí)方法”(Athey和
Imbens，2019)462.6“將文本作為數(shù)據(jù)”(Gentzkow等，2019)46
2.6.1將文本表示為數(shù)據(jù)47
2.6.2統(tǒng)計(jì)方法47
2.6.3應(yīng)用49
2.7“如何讓機(jī)器學(xué)習(xí)對(duì)宏觀經(jīng)濟(jì)預(yù)測(cè)有用”(Coulombe等， 2019)49
2.8本章小結(jié)50
參考文獻(xiàn)51
TensorFlow 2機(jī)器學(xué)習(xí)實(shí)戰(zhàn)——聚焦經(jīng)濟(jì)金融科研與產(chǎn)業(yè)的深度學(xué)習(xí)模型目錄
第3章回歸52
3.1線性回歸52
3.1.1概述52
3.1.2普通最小二乘法54
3.1.3最小絕對(duì)偏差56
3.1.4其他的損失函數(shù)61
3.2部分線性模型61
3.3非線性回歸65
3.4邏輯回歸69
3.5損失函數(shù)70
3.5.1離散因變量70
3.5.2連續(xù)因變量71
3.6優(yōu)化器72
3.6.1隨機(jī)梯度下降(Stochastic Gradient Descent, SGD)73
3.6.2一些改進(jìn)的優(yōu)化器74
3.7本章小結(jié)75
參考文獻(xiàn)76
第4章樹(shù)77
4.1決策樹(shù)77
4.1.1概述77
4.1.2特征工程79
4.1.3模型訓(xùn)練79
4.2回歸樹(shù)81
4.3隨機(jī)森林82
4.4梯度提升樹(shù)83
4.4.1分類(lèi)樹(shù)84
4.4.2回歸樹(shù)86
4.5模型調(diào)優(yōu)88
4.6本章小結(jié)89
參考文獻(xiàn)89
第5章圖像分類(lèi)90
5.1圖像數(shù)據(jù)91
5.2神經(jīng)網(wǎng)絡(luò)94
5.3Keras96
5.3.1序貫式API96
5.3.2函數(shù)式API103
5.4Estimators105
5.5卷積神經(jīng)網(wǎng)絡(luò)107
5.5.1卷積層107
5.5.2卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練108
5.6預(yù)訓(xùn)練好的模型112
5.6.1特征提取112
5.6.2模型調(diào)優(yōu)115
5.7本章小結(jié)115
參考文獻(xiàn)116
第6章文本數(shù)據(jù)117
6.1數(shù)據(jù)清洗和準(zhǔn)備118
6.1.1數(shù)據(jù)收集118
6.1.2文本數(shù)據(jù)表征120
6.1.3數(shù)據(jù)準(zhǔn)備122
6.2詞袋模型127
6.3基于詞典的方法131
6.4詞嵌入136
6.5主題建模137
6.6文本回歸143
6.7文本分類(lèi)154
6.8本章小結(jié)155
參考文獻(xiàn)156
第7章時(shí)間序列157
7.1機(jī)器學(xué)習(xí)的序貫?zāi)Ｐ?57
7.1.1稠密神經(jīng)網(wǎng)絡(luò)157
7.1.2循環(huán)神經(jīng)網(wǎng)絡(luò)162
7.1.3長(zhǎng)短期記憶167
7.1.4中間隱狀態(tài)169
7.2多元預(yù)測(cè)172
7.2.1LSTM172
7.2.2梯度提升樹(shù)174
7.3本章小結(jié)177
參考文獻(xiàn)178
第8章降維179
8.1經(jīng)濟(jì)學(xué)中的降維179
8.1.1主成分分析180
8.1.2偏最小二乘187
8.2自編碼器模型189
8.3本章小結(jié)194
參考文獻(xiàn)195
第9章生成式模型196
9.1變分自編碼器196
9.2生成式對(duì)抗網(wǎng)絡(luò)203
9.3經(jīng)濟(jì)與金融領(lǐng)域的應(yīng)用209
9.4本章小結(jié)209
參考文獻(xiàn)210
第10章理論模型211
10.1處理理論模型211
10.1.1吃蛋糕問(wèn)題212
10.1.2新古典商業(yè)周期模型217
10.2深度強(qiáng)化學(xué)習(xí)222
10.3本章小結(jié)226
參考文獻(xiàn)226
術(shù)語(yǔ)/短語(yǔ)對(duì)照及索引表227