金融風險管理的機器學習應用｜使用Python (1版)

類似書籍推薦給您

　金融風險管理在人工智慧的幫助下發展迅速。透過這本實用指南，開發人員、程式設計師、工程師、金融分析師、風險分析師及定量和演算法分析師，將可以機器學習和深度學習模型進行金融風險評估。建立基於人工智慧的財務建模實務技能後，您將學習要如何運用機器學習模型來取代傳統的金融風險模型。 　　作者Abdullah Karasan幫助您探索金融風險建模背後的理論，再深入研究使用Python運用機器學習模型以對金融風險進行建模的實際方法。 　　有了這本書，您將可以： 　　‧回顧經典的時間序列應用並將其與深度學習模型進行比較 　　‧使用支撐向量迴歸、神經網路和深度學習來探索波動率模型以衡量風險程度 　　‧使用機器學習技術來改善市場風險模型(VaR和ES)，並包括了流動性維度 　　‧使用分群和貝氏方法來進行信用風險分析 　　‧使用高斯混合模型和關聯結構模型來捕捉流動性風險的不同面向 　　‧使用機器學習模型來進行詐欺偵測 　　‧使用機器學習模型來預測股價崩盤並識別其決定因素 目錄 第一部分 風險管理基礎 第一章 風險管理基礎 第二章 時間序列建模簡介 第三章 應用深度學習於時間序列建模 第二部分 針對市場、信用、流動性和營運風險的機器學習 第四章 基於機器學習的波動率預測 第五章 市場風險建模 第六章 信用風險估計 第七章 流動性建模 第八章 營運風險建模 第三部分 其他金融風險來源之建模 第九章 公司治理風險度量：股價崩盤 第十章 合成資料產生與金融中的隱藏馬可夫模型

圖解機器學習與資料科學的數學基礎｜使用Python (1版)

類似書籍推薦給您

內容簡介 　　搞懂不會背叛你的數學，進一步提升你的程式功力！ 　　本書透過圖表解說人工智慧與資料科學領域的相關數學知識，並告訴你如何將其轉換為程式碼，除了可以吸收關於數學的知識之外，也能立即運用在工作上。 　　透過機率統計的學習，了解如何改善業務流程 　　本書將AI與資料科學的相關數學知識分成四大篇，第一篇的「機率統計、機器學習篇」介紹的是了解工作情況，篩選出必要資訊的流程，以及位於這個流程背後的機率統計、機器學習的數學知識。能掌握工作情況就能知道該如何改善相關業務，也能進一步觀察未來的變化。 　　了解最佳化的步驟，學會職場所需的最佳化流程 　　第二篇「數理最佳化篇」介紹最佳化業務的流程，以及解決業務問題的方法。要最佳化業務，就必須先了解哪些部分需要改善效率，換言之，最佳化的重點在於找出問題。了解最佳化的步驟與問題的種類，就能學會工作職場所需的最佳化流程。 　　透過預測病毒的傳播模式，了解相關的數學理論 　　第三篇「數值模擬篇」則以傳染染病的傳播為主題，學習預測這類傳播模式的微分。只要了解微分，就能了解病毒的傳播模式，也能利用動畫說明傳播模式與製作出臨場感十足的簡報。最後的「深度學習篇」則會先說明近年來發展神速的深度學習技術原理，再說明這些原因都於哪些技術或職場應用。 來自讀者的讚譽 　　「這是我買過最實用的書」 　　「這本書可以讓你知道如何將數學應用在現實世界的工作之中」 　　「這本書拯救了文科出身，在工作上又不得不面對數學的我」 目錄 序章｜設定 Python開發環境 第一篇機率統計、機器學習篇 第1章｜取得資料之後的第一件事 第2章｜試著利用機器學習進行分析 第3章｜推測必需的資料筆數 第二篇 數理最佳化篇 第4章｜透過最佳路徑規劃問題，了解解決最佳化問題的方法 第5章｜透過排班問題了解最佳化問題的全貌 第三篇 數値模擬篇 第6章｜試著預測傳染病的影響 第7章｜試著透過動畫模擬人類的行為 第四篇 深度學習篇 第8章｜了解深度學習辨識影像的方法 第9章｜了解深度學習處理時間序列資料的機制 第10章｜了解以深度學習進行的圖片處理與語言處理 Appendix 程式設計與數學之間的橋梁 Appendix 1｜利用公式了解常態分佈 Appendix 2｜微分方程式差分法造成的誤差與泰勒展開式 Appendix 3｜非線性最佳化的機械學習／深度學習的迴歸／分類

精通機器學習｜使用Scikit-Learn, Keras與TensorFlow (3版)

類似書籍推薦給您

內容簡介 　　建立智慧型系統的概念、工具與技術 　　深度學習在經歷了一系列的突破之後，已經推動了整個機器學習領域的發展。如今，即使是對於這項技術非常陌生的程式設計師，也能夠使用簡單、高效率的工具，寫出能從資料中學習的程式。這本暢銷書使用具體的例子、最少的理論，以及具備生產水準的Python框架(Scikit-Learn、Keras和TensorFlow)來協助你直接瞭解智慧系統的建構概念與工具。 　　在這本第三版中，作者Aurélien Géron將探索一系列的技術，從簡單的線性回歸開始，逐步發展到深度神經網路。本書包含許多範例程式和習題來幫助活用所學，只要具備一些程式設計經驗即可入門。 　　‧使用Scikit-Learn自始至終完成機器學習專案 　　‧探索多種模型，包括支援向量機、決策樹、隨機森林，和集成方法 　　‧運用無監督學習技術，例如降維、聚類法和異常檢測 　　‧深入探討神經網路架構，包括摺積神經網路、遞迴網路、生成對抗網路、自動編碼器、擴散模型、轉換器 　　‧使用TensorFlow和Keras建構和訓練神經網路，以進行計算機視覺、自然語言處理、生成模型和深度強化學習 好評推薦 　　「這是一本出色的機器學習資源，包含淺顯易懂的解說，以及豐富的實用技巧。」 —François Chollet，Keras作者，《Deep Learning with Python》作者 　　「本書是運用神經網路來解決問題的絕佳入門資源，涵蓋理論及實踐。推薦給想學習實用機器學習技術的人。」 —Pete Warden，TensorFlow行動主管 作者介紹 Aurélien Géron 　　Aurélien Géron 是位機器學習顧問。他曾經於Google任職，在2013年至2016年帶領YouTube的影片分類團隊。他也是Wifirst的創始人兼CTO(自2002年至2012年)，並且是電信諮詢公司Polyconseil創始人兼CTO(於2011年)。

邊緣AI｜使用嵌入式機器學習解決真實世界的問題

類似書籍推薦給您

【簡介】 邊緣AI正轉變著電腦與現實世界的互動方式，讓物聯網裝置能夠重拾先前因成本、頻寬或電力限制而被捨棄的99%感測器資料，進而做出決策。透過嵌入式機器學習等技術，開發者就能精煉人類直覺並將其部署到各種目標上，涵蓋了超低功耗微控制器到嵌入式Linux裝置。 這本實用指南為專業工程人士，包括產品經理和技術主管，提供了一個運用邊緣AI技術來解決實際工業、商業和科學問題的端對端框架。你將有機會探索從資料收集、模型最佳化再到調校測試的所有階段，學習如何設計和支援邊緣AI和嵌入式機器學習產品。邊緣AI必定會成為系統工程師的標準工具，本書中的高階路線圖可幫助你快速上手。 ．奠定關於邊緣裝置的AI和ML專業知識 ．了解哪些專案最適合使用邊緣AI來解決 ．探索邊緣AI應用的關鍵設計模式 ．學習開發AI系統的迭代工作流程 ．打造一支能夠解決實際問題的團隊 ．遵循負責任AI過程來製作有效的產品 「本書針對如何結合現今的AI智慧技術和嵌入式系統做了完美的介紹」 —Elecia White 《Making Embedded Systems》書籍作者與Embedded數位廣播節目主持人 「任何剛踏入這個新興領域的人都會受益於本書所提供的深刻見解和清晰思緒」 —Aurélien Geron 曾任YouTube自動影片分類小組主管與暢銷書作家 「我可以想像這本書被大家當作參考書來反覆查找」 —Fran Baker Arm永續與社會影響力部門主任 【目錄】 前言 第1章 邊緣AI簡介 　定義關鍵詞彙 　為什麼需要邊緣AI 第2章 真實世界中的邊緣AI 　邊緣AI 的常見使用案例 　應用類型 　以負責任的態度來開發應用 第3章 邊緣AI 的各種硬體 　感測器、訊號與資料來源 　邊緣AI 處理器 第4章 邊緣AI 演算法 　特徵工程 　AI 演算法 第5章 工具和專業知識 　建立邊緣AI 開發團隊 　產業工具 第6章 理解和界定問題 　邊緣AI 工作流程 　我需要邊緣AI 嗎 　確定可行性 第7章 如何建立資料集 　資料集長什麼樣子 　理想的資料集 　資料集和領域專業知識 　資料、倫理和負責任的 AI 　以資料為中心的機器學習 　估算資料需求 　取得資料 　儲存與取得資料 　確保資料品質 　準備資料 　隨著時間建立資料集 第8章 設計邊緣AI 應用程式 　產品和體驗設計 　架構設計 　考慮設計中的各種選項 第9章 開發邊緣AI 應用程式 　邊緣AI 的迭代式開發工作流程 　總結 第10章 評估、部署和支援邊緣AI 應用程式 　評估邊緣AI 系統 　部署邊緣AI 應用程式 　支援邊緣AI 應用 第11章 案例：野生動物監測系統 　探索問題 　探索解決方案 　設定目標 　設計解決方案 　蒐集資料集 　DSP 和機器學習工作流程 　測試模型 　部署 　迭代和回饋循環 　AI 造福世界 　相關成果 第12章 使用案例：食品品質保證 　探索問題 　探索解決方案 　設定目標 　設計解決方案 　蒐集資料集 　DSP 和機器學習工作流程 　測試模型 　部署 　迭代和回饋循環 　相關成果 第13章 使用案例：消費性產品使用案例－消費性產品 　探索問題 　設定目標 　設計解決方案 　蒐集資料集 　DSP 和機器學習工作流程 　測試模型 　部署 　迭代和回饋循環 　相關成果

網站最佳化實務｜運用機器學習改善網站，提升使用者體驗 ウェブ最適化ではじめる機械学習 (1版)

類似書籍推薦給您

內容簡介 　　從A/B測試、通用啟發法、吃角子老虎機演算法，到貝氏最佳化 　　「網頁搜尋、社交網路、手機app，它們每天都在最佳化！ 　　這種概念對許多今後要進行數位化的產業來說不可或缺，也會從根本改變我們在行銷、產品開發和設計的思維。即使不是理工背景，也請從內容感受基於資料的最佳化世界的氛圍。」 -東京大學研究所工學系研究科 人工智慧工程研究中心／技術經營戰略學專攻 教授 松尾豐 　　只要是網路服務相關開發人員，都無法迴避此課題：提供更好的使用者體驗。本書介紹如何定量評估及改善使用者行為，以達成網路服務的成長。 　　本書從簡單的A/B測試開始，介紹線性模型、通用啟發法、吃角子老虎機演算法、貝氏最佳化，以及機器學習的各種知識，帶您了解如何用數學方式解決網站最佳化這個現實中的問題。 　　透過Python範例程式碼與圖表解說的數學模型，仔細解釋機器學習和統計的基礎知識，對於想了解網站最佳化方式與機器學習基礎知識的讀者來說，本書是最適合的選擇。 目錄 第1章 從A/B 測試開始：使用貝氏統計入門假說檢定 第2章 機率程式設計：尋求電腦的幫助 第3章 組合測試：分解為元素思考 第4章 通用啟發法：不用統計模型的最佳化方法 第5章 吃角子老虎機演算法：面對測試中的損失 第6章 組合吃角子老虎機：吃角子老虎機演算法遇到統計模型 第7章 貝氏最佳化：處理連續值的解空間 第8章 未來的網站最佳化 附錄A 矩陣運算的基礎 附錄B Logistic 迴歸上的湯普森抽樣