Deep Learning: 用Python進行深度學習的基礎理論實作 (1版)

相關熱銷的書籍推薦給您

書名：DEEP LEARNING｜用PYTHON進行深度學習的基礎理論實作 出版社：歐萊禮 出版年月：201708 條碼：9789864764846 內容簡介 不走捷徑，幫助您真正搞懂「深度學習」的真義 這是一本與「深度學習」有關的書籍。從入門開始說明，一步一步帶領你瞭解深度學習必須具備的知識。本書可以幫助您了解：深度學習究竟是什麼？有何特色？根據何種原理來運作？ 從零開始，由實做中學習 本書的目標是，盡量避免使用不瞭解內容的「黑盒子」，以基礎的知識為起點，以容易上手的Python撰寫程式，從動手實作的過程中，一步步深入瞭解深度學習。若以車用書籍來比喻這本書的話，這本書並不屬於汽車駕訓教材，而是希望能夠幫助您瞭解車子的原理，而非教您開車的方法。為了瞭解汽車的結構，必須試著打開車子的引擎蓋，將每個零件都拿起來觀察、操作看看。然後盡量用簡單的形狀，篩選出車子的核心部分，就像組合迷你模型般，製作出這台車子。本書的目標，就是透過製作車子的過程，讓你感受到自己實際可以製作出車子，進而熟悉與車子的相關技術。 本書特色： ．利用最少的外部函式庫，使用Python，從零開始實際執行深度學習的程式。 ．說明Python 的用法，讓Python 的初學者也能理解。 ．實際執行Python 的原始碼，同時提供讀者手邊可以進行實驗的學習環境。 ．從簡單的機器學習問題開始，到最後執行精密辨識影像的系統。 ．以淺顯易懂的方式說明深度學習與神經網路理論。 ．針對看似複雜的技術，如誤差反向傳播與卷積運算等，利用實際操作方式說明，幫助理解。 ．介紹在執行深度學習時，有幫助且實用的技巧，包括決定學習率的方法、權重的預設值等。 ．說明Batch Normalization、Dropout、Adam 等最近的趨勢與操作。 ．為什麼深度學習很優秀，為什麼加深層數，就能提高辨識準確度，為什麼隱藏層很重要，仔細說明這些「為什麼」。 ．介紹自動運作、產生影像、強化學習等深度學習的應用範例。 作者介紹 作者簡介 斎藤康毅 1984年生於長崎縣對馬，畢業於東京工業大學工學院，東京大學研究所學際情報學府學士課程修畢。現在於企業內從事與電腦視覺、機器學習有關的研究開發工作。1984年生於長崎縣對馬，畢業於東京工業大學工學院，東京大學研究所學際情報學府學士課程修畢。現在於企業內從事與電腦視覺、機器學習有關的研究開發工作。 目錄 第一章 Python入門 第二章 感知器 第三章 神經網路 第四章 神經網路的學習 第五章 誤差反向傳播法 第六章 與學習有關的技巧 第七章 卷積神經網路 第八章 深度學習 附錄A Softmax-with-Loss層的計算圖 參考文獻

程式人的第一本 Python 量化投資筆記：Colab 即時演練 × Backtrader 策略設計到績效評估全流程（iThome鐵人賽系列書） (1版)

類似書籍推薦給您

【簡介】 打開就會 AI 與數據分析的投資理財術 透過實作案例一步步打造你的第一個量化交易策略！ 　 　　本書內容改編自第16屆 iThome 鐵人賽AI/ ML & Data 組優選系列文章《打開就會 AI 與數據分析的投資理財術》。近年自動化交易與長期投資蔚為風潮，其中最受矚目的便是結合數據與程式設計的量化交易（Quantitative Trading）。本書以 Backtrader 為核心，系統化整理量化交易的基礎觀念與實作流程，協助讀者從理論快速進入實務操作。全書操作環境單純，僅使用 Backtrader，讓初學者能專注於策略設計與回測分析。   　　書中亦結合 AI 與金融的應用，示範如何運用機器學習與強化學習進行市場預測與自動化交易，帶領讀者理解人工智慧在投資決策中的潛力。秉持「學習觀念不如親手實作」的理念，每章皆附可直接執行的 Google Colab 範例，讀者無需額外安裝環境，即可立即體驗量化策略開發流程。本書是你踏入量化投資與 AI 金融世界的最佳起點。   　　目標讀者 　　● 有基本程式能力想要探索量化交易的人 　　● 具有 AI 知識想要探索在金融領域上應用的人 　　● 聽聞過金融理財想要進一步拓展深度的人 　　● 想要自動高效化達到處理金融資訊以及投資相關數據的人 　　● 在相關行業想要部屬、發展 AI 輔助投資技術的人   本書特色   　　✦ 掌握量化基礎 　　從理論到實作，全面理解量化交易 　　✦ AI 結合金融 　　結合機器學習，開啟投資新思維 　　✦ 情緒文本分析 　　運用 NLP 技術，洞察市場情緒脈動 　　✦ 實作體驗 　　每章附程式範例，立即動手練習   專業推薦   　　本書的可貴之處，在於作者不僅以深厚的人工智慧與金融背景，將複雜的量化概念化繁為簡，更以清晰的架構與豐富的實作案例，帶領讀者從零開始練習搭建屬於自己的交易策略。書中以 Backtrader 示範資料處理、策略設計與回測流程，並進一步結合 AI 技術，展現投資的新可能。無論你是金融新手，或是想以 AI 強化投資思維的讀者，本書都將是你踏入量化世界最可靠的起點。──── 連云暄｜中央研究院資訊科技創新研究中心 助研究員 【目錄】 CHAPTER 01 量化投資介紹與目標設定 1.1 量化投資的基本概念 1.2 常見量化策略類型 1.3 量化投資的優勢 1.4 設定量化投資目標 1.5 本章小結 CHAPTER 02 獲取金融數據 2.1 使用 yfinance 下載金融數據 2.2 探索數據結構 2.3 時間數據基本處理與操作 2.4 使用 matplotlib 繪製股票收盤價走勢圖 2.5 儲存數據 2.6 本章小結 CHAPTER 03 數據清洗、處理與技術指標計算 3.1 數據清洗與處理 3.2 計算常見技術指標（Technical Indicator） 3.3 視覺化財務指標 3.4 本章小結 CHAPTER 04 金融指標計算與策略開發基礎 4.1 金融指標計算 4.2 金融指標 Python 實現 4.3 策略開發基礎 4.4 綜合應用：從指標到策略 4.5 本章小結 CHAPTER 05 BackTrader 回測框架介紹 5.1 為什麼需要回測 5.2 使用 Backtrader 回測框架 5.3 回測中的注意事項 5.4 進一步探索 5.5 本章小結 CHAPTER 06 動量策略、均值回歸策略與技術指標策略開發 6.1 動量策略開發 6.2 使用 Backtrader 實現動量策略 6.3 均值回歸策略開發 6.4 使用 Backtrader 實現均值回歸策略 6.5 技術指標策略開發 6.6 使用 Backtrader 實現 RSI MACD 策略 6.7 策略優化與參數調整 6.8 本章小結 CHAPTER 07 利用 Backtrader 進行策略參數調整達到優化夏普率 7.1 導入所需的 Library 7.2 建立策略類別並加入參數 7.3 設置策略參數範圍並執行優化 7.4 解析優化結果 7.5 結果分析與應用 7.6 本章小結 CHAPTER 08 風險管理基礎與風險調整後的收益 8.1 風險管理基礎 8.2 常見的風險控制策略 8.3 風險調整後的收益 8.4 實作風險管理與風險調整後的收益計算 8.5 策略優化與風險調整 8.6 優化結果的解讀與應用 8.7 本章小結 CHAPTER 09 多資產投資組合 9.1 多資產投資組合的概念 9.2 實現簡單的多資產投資組合 9.3 本章小結 CHAPTER 10 因子投資 10.1 因子投資的概念 10.2 因子投資策略的構建 10.3 因子投資組合的回測 10.4 因子投資策略的優化與應用 10.5 本章小結 CHAPTER 11 引入 AI——機器學習概述與數據預處理 11.1 機器學習在金融中的應用場景 11.2 Scikit Learn 簡介 11.3 數據預處理與特徵工程 11.4 為機器學習模型準備訓練數據 11.5 實際案例：預測股票價格走勢 11.6 本章小結 CHAPTER 12 監督式學習——回歸模型＆分類模型在股價上預測上的運用 12.1 監督式學習概述 12.2 回歸模型 12.3 分類模型 12.4 模型比較與選擇 12.5 實際案例：模型應用與評估 12.6 本章小結 CHAPTER 13 無監督學習＆模型優化與交叉驗證 13.1 無監督學習概述 13.2 應用 K-Means 聚類識別市場模式 13.3 主成分分析（PCA）進行數據降維 13.4 模型優化與交叉驗證 13.5 綜合應用：模型優化與無監督學習結合 13.6 本章小結 CHAPTER 14 時間序列預測——使用 ARIMA 和 Prophet 14.1 時間序列分析基礎 14.2 實際案例：比較 ARIMA 與 Prophet 模型 14.3 本章小結 CHAPTER 15 時間序列預測——LSTM 15.1 引言 15.2 使用 PyTorch 建構模型 15.3 LSTM 簡介 15.4 LSTM 應用於股價預測數據處理 15.5 LSTM 模型建構 15.6 LSTM 模型訓練以及測試 15.7 處理時間序列數據的特殊性 15.8 模型改進的方向 15.9 本章小結 CHAPTER 16 時間序列預測——Transformer 16.1 引言 16.2 Transformer 模型簡介 16.3 Transformer 應用於股價預測 16.4 Transformer 模型建構 16.5 Transformer 模型訓練以及測試 16.6 模型改進的方向 16.7 比較 Transformer 與 LSTM 模型的性能 16.8 本章小結 CHAPTER 17 強化學習在交易中的應用——基礎概述 17.1 引言 17.2 強化學習的基本概念 17.3 深度 Q 網絡（DQN）的詳細介紹 17.4 使用深度 Q 網絡（DQN）進行交易策略開發 17.5 強化學習框架建構 17.6 訓練 Agent 17.7 強化學習應用於交易的挑戰 17.8 改進和擴展 17.9 本章小結 CHAPTER 18 強化學習在交易中的應用——使用 Stable Baselines 和 FinRL 18.1 Stable Baseline 18.2 FinRL 18.3 環境設置＆數據準備 18.4 構建交易環境 18.5 選擇和訓練強化學習算法 18.6 結果分析 18.7 繪製買賣點 18.8 本章小結 CHAPTER 19 強化學習在交易中的應用——結合 Stable Baselines 進 Backtrader 19.1 為什麼選擇 Stable Baselines 3 和 Backtrader 19.2 環境設置 19.3 數據準備以及處理 19.4 建構交易環境 19.5 訓練強化學習模型 19.6 測試模型並收集交易訊號 19.7 本章小結 CHAPTER 20 投資情緒的解讀——結合情緒分析的交易策略 20.1 為什麼將情緒分析納入交易策略？ 20.2 環境設置 20.3 數據準備以及處理 20.4 將情緒指標納入交易策略 20.5 本章小結