TensorFlow 2机器学习实战：聚焦经济金融科研与产业的深度学习模型

第1章TensorFlow 2简介1
1.1安装TensorFlow1
1.2TensorFlow 2和1的区别2
1.3TensorFlow与经济金融9
1.3.1机器学习10
1.3.2理论模型13
1.4张量简介14
1.5TensorFlow中的线性代数和微积分15
1.5.1常量和变量15
1.5.2线性代数16
1.5.3微分学24
1.6在TensorFlow中加载应用数据35
1.7本章小结37
参考文献37
第2章机器学习与经济学38
2.1大数据: 计量经济学的新绝技(Varian 2014)38
2.2策略预测问题(Kleinberg等，2015)39
2.3“机器学习: 一个应用计量经济学技巧”(Mullainathan
和Spiess，2017)41
2.4“机器学习对经济学的影响”(Athey，2019)42
2.4.1机器学习和传统计量经济学方法42
2.4.2现有的机器学习程序44
2.4.3政策分析44
2.4.4研究热点和预测45
2.5“经济学家应该了解的机器学习方法”(Athey和
Imbens，2019)462.6“将文本作为数据”(Gentzkow等，2019)46
2.6.1将文本表示为数据47
2.6.2统计方法47
2.6.3应用49
2.7“如何让机器学习对宏观经济预测有用”(Coulombe等， 2019)49
2.8本章小结50
参考文献51
TensorFlow 2机器学习实战——聚焦经济金融科研与产业的深度学习模型目录
第3章回归52
3.1线性回归52
3.1.1概述52
3.1.2普通最小二乘法54
3.1.3最小绝对偏差56
3.1.4其他的损失函数61
3.2部分线性模型61
3.3非线性回归65
3.4逻辑回归69
3.5损失函数70
3.5.1离散因变量70
3.5.2连续因变量71
3.6优化器72
3.6.1随机梯度下降(Stochastic Gradient Descent, SGD)73
3.6.2一些改进的优化器74
3.7本章小结75
参考文献76
第4章树77
4.1决策树77
4.1.1概述77
4.1.2特征工程79
4.1.3模型训练79
4.2回归树81
4.3随机森林82
4.4梯度提升树83
4.4.1分类树84
4.4.2回归树86
4.5模型调优88
4.6本章小结89
参考文献89
第5章图像分类90
5.1图像数据91
5.2神经网络94
5.3Keras96
5.3.1序贯式API96
5.3.2函数式API103
5.4Estimators105
5.5卷积神经网络107
5.5.1卷积层107
5.5.2卷积神经网络的训练108
5.6预训练好的模型112
5.6.1特征提取112
5.6.2模型调优115
5.7本章小结115
参考文献116
第6章文本数据117
6.1数据清洗和准备118
6.1.1数据收集118
6.1.2文本数据表征120
6.1.3数据准备122
6.2词袋模型127
6.3基于词典的方法131
6.4词嵌入136
6.5主题建模137
6.6文本回归143
6.7文本分类154
6.8本章小结155
参考文献156
第7章时间序列157
7.1机器学习的序贯模型157
7.1.1稠密神经网络157
7.1.2循环神经网络162
7.1.3长短期记忆167
7.1.4中间隐状态169
7.2多元预测172
7.2.1LSTM172
7.2.2梯度提升树174
7.3本章小结177
参考文献178
第8章降维179
8.1经济学中的降维179
8.1.1主成分分析180
8.1.2偏最小二乘187
8.2自编码器模型189
8.3本章小结194
参考文献195
第9章生成式模型196
9.1变分自编码器196
9.2生成式对抗网络203
9.3经济与金融领域的应用209
9.4本章小结209
参考文献210
第10章理论模型211
10.1处理理论模型211
10.1.1吃蛋糕问题212
10.1.2新古典商业周期模型217
10.2深度强化学习222
10.3本章小结226
参考文献226
术语/短语对照及索引表227