目录
向上滑动阅览
第1章 TensorFlow 2简介
1.1 安装TensorFlow
1.2 TensorFlow 2和TensorFlow 1的区别
1.3 TensorFlow与经济金融
1.3.1 机器学习
1.3.2 理论模型
1.4 张量简介
1.5 TensorFlow中的线性代数和微积分
1.5.1 常量和变量
1.5.2 线性代数
1.5.3 微分学
1.6 在TensorFlow中加载应用数据
1.7 本章小结
参考文献
第2章 机器学习与经济学
2.1 大数据:计量经济学的新绝技(Varian,2014)
2.2 策略预测问题(Kleinberg等,2015)
2.3 “机器学习:一个应用计量经济学技巧”(Mullainathan和Spiess,2017)
2.4 “机器学习对经济学的影响”(Athey,2019)
2.4.1 机器学习和传统计量经济学方法
2.4.2 现有的机器学习程序
2.4.3 政策分析
2.4.4 研究热点和预测
2.5 “经济学家应该了解的机器学习方法”(Athey和Imbens,2019)
2.6 “将文本作为数据”(Gentzkow等,2019)
2.6.1 将文本表示为数据
2.6.2 统计方法
2.6.3 应用
2.7 “如何让机器学习对宏观经济预测有用”(Coulombe等,2019)
2.8 本章小结
参考文献
第3章 回归
3.1 线性回归
3.1.1 概述
3.1.2 普通最小二乘法
3.1.3 最小绝对偏差
3.1.4 其他的损失函数
3.2 部分线性模型
3.3 非线性回归
3.4 逻辑回归
3.5 损失函数
3.5.1 离散因变量
3.5.2 连续因变量
3.6 优化器
3.6.1 随机梯度下降(Stochastic Gradient Descent,SGD)
3.6.2 一些改进的优化器
3.7 本章小结
参考文献
第4章 树
4.1 决策树
4.1.1 概述
4.1.2 特征工程
4.1.3 模型训练
4.2 回归树
4.3 随机森林
4.4 梯度提升树
4.4.1 分类树
4.4.2 回归树
4.5 模型调优
4.6 本章小结
参考文献
第5章 图像分类
5.1 图像数据
5.2 神经网络
5.3 Keras
5.3.1 序贯式API
5.3.2 函数式API
5.4 Estimators
5.5 卷积神经网络
5.5.1 卷积层
5.5.2 卷积神经网络的训练
5.6 预训练好的模型
5.6.1 特征提取
5.6.2 模型调优
5.7 本章小结
参考文献
第6章 文本数据
6.1 数据清洗和准备
6.1.1 数据收集
6.1.2 文本数据表征
6.1.3 数据准备
6.2 词袋模型
6.3 基于词典的方法
6.4 词嵌入
6.5 主题建模
6.6 文本回归
6.7 文本分类
6.8 本章小结
参考文献
第7章 时间序列
7.1 机器学习的序贯模型
7.1.1 稠密神经网络
7.1.2 循环神经网络
7.1.3 长短期记忆
7.1.4 中间隐状态
7.2 多元预测
7.2.1 LSTM
7.2.2 梯度提升树
7.3 本章小结
参考文献
第8章 降维
8.1 经济学中的降维
8.1.1 主成分分析
8.1.2 偏最小二乘
8.2 自编码器模型
8.3 本章小结
参考文献
第9章 生成式模型
9.1 变分自编码器
9.2 生成式对抗网络
9.3 经济与金融领域的应用
9.4 本章小结
参考文献
第10章 理论模型
10.1 处理理论模型
10.1.1 吃蛋糕问题
10.1.2 新古典商业周期模型
10.2 深度强化学习
10.3 本章小结
参考文献
术语/短语中英文对照及索引
扫码优惠购书