Hodnotenie:
Momentálne nie sú žiadne recenzie čitateľov. Hodnotenie je založené na 2 hlasoch.
Econometrics and Data Science: Apply Data Science Techniques to Model Complex Problems and Implement Solutions for Economic Problems
Získajte prehľad o uplatňovaní prístupov strojového učenia v makroekonomickom výskume. Táto kniha spája ekonómiu a dátovú vedu.
Autor Tshepo Chris Nokeri vás na začiatku oboznámi s kovariančnou analýzou, korelačnou analýzou, krížovou validáciou, optimalizáciou hyperparametrov, regresnou analýzou a analýzou rezíduí. Okrem toho predstavuje prístup, ako sa vyrovnať s multikolinearitou. Potom vyvracia model časových radov uznávaný ako aditívny model. Odhaľuje techniku binarizácie ekonomického prvku na vykonanie klasifikačnej analýzy pomocou logistickej regresie. Prináša skrytý Markovov model, ktorý sa používa na odhalenie skrytých modelov a rastu svetovej ekonomiky. Autor demonštruje techniky strojového učenia bez dohľadu, ako je analýza hlavných komponentov a zhluková analýza. Skúma kľúčové koncepty hlbokého učenia a spôsoby štruktúrovania umelých neurónových sietí spolu s ich tréningom a hodnotením ich výkonnosti. Na stimuláciu kúpnej sily peňazí v ekonomike sa uplatňuje technika simulácie Monte Carlo. Napokon sa uvažuje o modeli štrukturálnych rovníc (SEM), ktorý integruje korelačnú analýzu, faktorovú analýzu, viacrozmernú analýzu, kauzálnu analýzu a analýzu ciest.
Po prečítaní tejto knihy by ste mali byť schopní rozpoznať spojenie medzi ekonometriou a dátovou vedou. Budete vedieť, ako aplikovať prístup strojového učenia na modelovanie zložitých ekonomických problémov a ďalších problémov nad rámec tejto knihy. Budete vedieť, ako obísť a zvýšiť výkonnosť modelov spolu s praktickými dôsledkami prístupu strojového učenia v ekonometrii, a budete schopní riešiť naliehavé ekonomické problémy.
Čo sa naučíte
⬤ Preskúmať komplexné, viacrozmerné, lineárne kauzálne štruktúry prostredníctvom techniky analýzy ciest a štrukturálnej analýzy, vrátane nelinearity a skrytých stavov.
⬤ Zoznámite sa s praktickými aplikáciami strojového učenia a hlbokého učenia v ekonometrii.
⬤ Pochopiť teoretický rámec a tvorbu hypotéz a techniky výberu vhodných modelov.
⬤ Vyvíjať, testovať, overovať a zlepšovať kľúčové modely strojového učenia pod dohľadom (t. j. regresia a klasifikácia) a bez dohľadu (t. j. redukcia dimenzií a zhluková analýza) spolu s neurónovými sieťami, Markovovými a SEM modelmi.
⬤ Prezentovať a interpretovať údaje a modely.
Pre koho je táto kniha určená
Začínajúci a stredne pokročilí dátoví vedci, ekonómovia, inžinieri strojového učenia, štatistici a manažéri podnikov.
