金融中的机器学习

封面

版权信息

版 权

版权声明

内容提要

作者简介

审稿人简介

前言

本书的目标读者

本书内容概要

本书相关约定

资源与支持

配套资源

提交勘误

与我们联系

关于异步社区和异步图书

第1章 神经网络和基于梯度的优化

1.1 本书的内容概要

1.2 什么是机器学习

1.3 监督学习

1.4 非监督学习

1.5 强化学习

1.6 创建工作区

1.7 使用Kaggle内核

1.8 使用AWS深度学习AMI

1.9 近似函数

1.10 前向传递

1.11 逻辑回归器

1.12 优化模型参数

1.13 评估模型损失

1.14 深度网络

1.15 Keras简介

1.16 张量和计算图

1.17 练习

1.18 本章小结

第2章 机器学习在结构化数据中的应用

2.1 数据

2.2 启发式模型、基于特征的模型和E2E模型

2.3 机器学习软件栈

2.4 启发式方法

2.5 特征工程方法

2.6 Keras库的数据准备

2.7 使用Keras创建预测模型

2.8 基于决策树方法的简要入门

2.9 E2E模型

2.10 练习

2.11 本章小结

第3章 计算机视觉的应用

3.1 卷积神经网络

3.2 彩色图片的过滤技术

3.3 Keras ConvNet组成模块

3.4 神经网络的延展

3.5 采用大图片数据集

3.6 采用预训练模型

3.7 模块度权衡

3.8 计算机视觉不止分类

3.9 练习

3.10 本章小结

第4章 理解时间序列

4.1 数据的可视化与Pandas准备

4.2 快速傅里叶变换

4.3 自相关

4.4 构建训练和测试方案

4.5 回测

4.6 中位数预测

4.7 ARIMA模型

4.8 卡曼滤波

4.9 神经网络预测

4.10 Conv1D

4.11 因果卷积和扩张卷积

4.12 简单的RNN

4.13 LSTM

4.14 循环dropout

4.15 贝叶斯深度学习

4.16 练习

4.17 本章小结

第5章 用自然语言处理解析文本数据

5.1 spaCy的入门指南

5.2 命名实体识别

5.3 词性标记

5.4 基于规则的匹配

5.5 正则表达式

5.6 文本分类任务

5.7 准备数据

5.8 词袋模型

5.9 主题模型

5.10 单词嵌入

5.11 具有单词嵌入的文档相似度

5.12 快速浏览Keras函数API

5.13 注意力机制

5.14 注意力模块

5.15 seq2seq模型

5.16 练习

5.17 本章小结

第6章 生成模型的应用

6.1 理解自编码器

6.2 使用t-SNE可视化隐空间

6.3 变分自编码器

6.4 时间序列的VAE

6.5 GAN